| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 非结构化道路的识别问题 | 第11-12页 |
| 1.4 课题研究内容 | 第12-13页 |
| 第二章 道路图像预处理 | 第13-26页 |
| 2.1 图像的数字化描述 | 第13-14页 |
| 2.2 道路图像颜色空间的选择 | 第14-17页 |
| 2.3 道路图像的滤波 | 第17-20页 |
| 2.3.1 图像滤波常用算法 | 第17-19页 |
| 2.3.2 道路图像滤波的实验结果 | 第19-20页 |
| 2.4 道路图像的边缘检测 | 第20-22页 |
| 2.4.1 边缘检测常用算法 | 第20-22页 |
| 2.4.2 道路图像边缘检测的实验结果 | 第22页 |
| 2.5 道路图像的常用分割算法 | 第22-25页 |
| 2.5.1 阈值选取常用算法 | 第23-24页 |
| 2.5.2 道路图像分割实验结果 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 基于交叉视觉皮质模型的道路检测算法 | 第26-40页 |
| 3.1 道路检测算法常用基本假设 | 第26页 |
| 3.2 道路可行区域提取算法方案 | 第26-27页 |
| 3.3 基于交叉视觉皮质模型(ICM)的道路检测 | 第27-33页 |
| 3.3.1 交叉视觉皮质模型 | 第27-28页 |
| 3.3.2 ICM最佳分割阈值以及循环迭代次数的确定 | 第28-30页 |
| 3.3.3 基于ICM的道路图像分割实验 | 第30-33页 |
| 3.4 基于种子标号法的可行区域提取 | 第33-35页 |
| 3.5 路口检测 | 第35-38页 |
| 3.5.1 T型模板法 | 第35-37页 |
| 3.5.2 路口检测实验 | 第37-38页 |
| 3.6 本章小结 | 第38-40页 |
| 第四章 机器人航迹检测算法 | 第40-48页 |
| 4.1 道路边界线的检测与跟踪 | 第40-42页 |
| 4.1.1 Hough变换检测直线算法简介 | 第40-41页 |
| 4.1.2 道路边界线的检测与跟踪算法 | 第41-42页 |
| 4.1.3 实验结果与分析 | 第42页 |
| 4.2 机器人的横向偏移位置估计 | 第42-46页 |
| 4.2.1 单目视觉测距原理 | 第43-44页 |
| 4.2.2 机器人横向位置偏移估计算法设计 | 第44-45页 |
| 4.2.3 实验及结果分析 | 第45-46页 |
| 4.3 本章小结 | 第46-48页 |
| 结论 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 攻读学位期间发表的学术论文 | 第53页 |