| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 机器视觉在智能交通中的应用 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.3.1 障碍物检测技术研究现状 | 第13-14页 |
| 1.3.2 智能车辆避障技术及研究现状 | 第14-16页 |
| 1.4 论文主要研究内容及结构安排 | 第16-18页 |
| 1.4.1 论文主要研究内容 | 第16-17页 |
| 1.4.2 论文结构安排 | 第17-18页 |
| 第2章 图像预处理 | 第18-27页 |
| 2.1 引言 | 第18页 |
| 2.2 图像增强与滤波 | 第18-23页 |
| 2.2.1 图像增强理论 | 第18-19页 |
| 2.2.2 经典的图像滤波方法 | 第19-23页 |
| 2.3 基于边缘保持的滤波算法 | 第23-26页 |
| 2.3.1 边缘保持滤波算法研究现状 | 第23页 |
| 2.3.2 本文所用边缘保持滤波算法 | 第23-24页 |
| 2.3.3 图像滤波结果分析 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 障碍物检测方法 | 第27-49页 |
| 3.1 引言 | 第27-28页 |
| 3.2 常用的目标检测方法 | 第28-34页 |
| 3.2.1 基于特征的检测方法 | 第28-31页 |
| 3.2.2 基于立体视觉的检测方法 | 第31-32页 |
| 3.2.3 基于运动的检测方法 | 第32-34页 |
| 3.3 常用目标检测方法优缺点分析 | 第34-35页 |
| 3.4 基于TV-L~1的光流估计检测算法 | 第35-41页 |
| 3.4.1 本文所用算法模型 | 第36-37页 |
| 3.4.2 算法模型求解策略 | 第37-38页 |
| 3.4.3 光流方程具体数值求解过程 | 第38-40页 |
| 3.4.4 实验结果分析 | 第40-41页 |
| 3.5 车辆跟踪 | 第41-47页 |
| 3.5.1 Kalman目标跟踪方法 | 第41-43页 |
| 3.5.2 Meanshift目标跟踪方法 | 第43-45页 |
| 3.5.3 Camshift目标跟踪方法 | 第45-47页 |
| 3.6 本章小结 | 第47-49页 |
| 第4章 基于地面附着系数的安全距离模型的建立 | 第49-60页 |
| 4.1 引言 | 第49页 |
| 4.2 地面附着系数简介 | 第49-51页 |
| 4.3 制动过程分析 | 第51-53页 |
| 4.4 安全距离模型建立 | 第53-59页 |
| 4.4.1 路面附着系数与制动性能的关系 | 第53-56页 |
| 4.4.2 安全距离模型 | 第56-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 车辆前向避撞预警策略 | 第60-70页 |
| 5.1 引言 | 第60页 |
| 5.2 基于视觉的距离估算方法 | 第60-63页 |
| 5.2.1 基于摄像机投影与参数设定的几何测距算法 | 第61页 |
| 5.2.2 基于逆投影变换的测距算法 | 第61-62页 |
| 5.2.3 基于数据回归建模的测距算法 | 第62-63页 |
| 5.3 碰撞时间的确定 | 第63-65页 |
| 5.4 避撞预警策略的制定 | 第65-68页 |
| 5.4.1 碰撞可能性的分析 | 第65-66页 |
| 5.4.2 避撞预警策略的制定 | 第66-68页 |
| 5.5 基于机器视觉的前向避撞预警的流程 | 第68-69页 |
| 5.6 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 主要总结 | 第70-71页 |
| 6.2 未来展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 读研期间研究成果 | 第76-77页 |
| 致谢 | 第77-78页 |