| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 论文的研究背景及意义 | 第8-11页 |
| 1.1.1 双目视觉背景 | 第8页 |
| 1.1.2 辅助驾驶系统背景 | 第8-10页 |
| 1.1.3 课题研究目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12页 |
| 1.3 本文的研究内容和结构 | 第12-14页 |
| 1.3.1 论文的主要研究内容 | 第12-13页 |
| 1.3.2 论文的框架结构 | 第13-14页 |
| 第二章 双目立体视觉的原理与标定方法 | 第14-25页 |
| 2.1 摄像机透视投影模型 | 第14-16页 |
| 2.2 双目立体视觉的测距原理 | 第16-18页 |
| 2.3 双目摄像机标定 | 第18-21页 |
| 2.3.1 3D立体靶标的摄像机标定技术 | 第18页 |
| 2.3.2 Tsai两步标定法 | 第18-20页 |
| 2.3.3 张正友标定法 | 第20-21页 |
| 2.4 双目摄像机标定及图像校正实验 | 第21-24页 |
| 2.4.1 使用张氏标定法对系统标定 | 第21-23页 |
| 2.4.2 图像校正 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于车底阴影与机器学习相结合的前方车辆检测 | 第25-41页 |
| 3.1 车辆检测流程 | 第25页 |
| 3.2 前方车辆检测的感兴趣区域生成 | 第25-35页 |
| 3.2.1 基于车道线的感兴趣区域划定 | 第26-29页 |
| 3.2.2 基于车底阴影的车辆候选区域提取 | 第29-34页 |
| 3.2.3 生成最终车辆检测的感兴趣区域 | 第34-35页 |
| 3.3 基于机器学习的前方车辆检测 | 第35-38页 |
| 3.3.1 MB-LBP特征 | 第35-36页 |
| 3.3.2 弱分类器构造 | 第36-37页 |
| 3.3.3 Adaboost算法 | 第37-38页 |
| 3.3.4 强分类器级联 | 第38页 |
| 3.4 仿真实验与结果分析 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于改进ORB算法的前方车辆测距 | 第41-52页 |
| 4.1 前方车辆测距的系统构成 | 第41页 |
| 4.2 立体匹配算法研究与设计 | 第41-46页 |
| 4.2.1 ORB算法的改进 | 第41-45页 |
| 4.2.2 仿真实验与结果分析 | 第45-46页 |
| 4.3 基于实际行车视频的实验结果与分析 | 第46-51页 |
| 4.3.1 实验数据与系统平台 | 第46页 |
| 4.3.2 前方车辆测距实验分析 | 第46-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 全文总结 | 第52页 |
| 5.2 未来展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-56页 |