| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 智能车辆发展现状 | 第11-16页 |
| 1.1.1 国外智能车辆研究现状 | 第11-14页 |
| 1.1.2 国内智能车研究现状 | 第14-16页 |
| 1.2 机器视觉识别目标应用 | 第16-17页 |
| 1.3 研究背景与意义 | 第17-18页 |
| 1.4 研究内容与章节安排 | 第18-21页 |
| 1.4.1 论文主要工作内容及难点 | 第18页 |
| 1.4.2 章节安排 | 第18-21页 |
| 第2章 图像目标识别理论研究 | 第21-33页 |
| 2.1 摄像机传感器选取 | 第21页 |
| 2.2 图像预处理技术 | 第21-27页 |
| 2.2.1 图像灰度化 | 第22-23页 |
| 2.2.2 二值图像处理 | 第23页 |
| 2.2.3 图像灰度增强 | 第23-24页 |
| 2.2.4 滤波处理 | 第24-26页 |
| 2.2.5 图像形态学处理 | 第26-27页 |
| 2.3 机器学习目标识别研究 | 第27-31页 |
| 2.3.1 非监督学习 | 第27-28页 |
| 2.3.2 监督学习 | 第28-29页 |
| 2.3.3 朴素贝叶斯 | 第29-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第3章 车辆及行人特征提取及识别 | 第33-49页 |
| 3.1 概述 | 第33页 |
| 3.2 图像特征概述 | 第33-42页 |
| 3.2.1 边缘特征 | 第33-35页 |
| 3.2.2 Hough特征 | 第35-36页 |
| 3.2.3 SURF特征 | 第36页 |
| 3.2.4 颜色特征 | 第36-37页 |
| 3.2.5 纹理特征 | 第37-38页 |
| 3.2.6 HOG特征 | 第38-41页 |
| 3.2.7 可变形部件模型（DPM） | 第41-42页 |
| 3.3 基于SVM的图像目标识别 | 第42-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 基于机器视觉的前方目标距离测量 | 第49-61页 |
| 4.1 概述 | 第49-50页 |
| 4.2 单目视觉测距 | 第50-52页 |
| 4.3 摄像机标定 | 第52-55页 |
| 4.3.1 张友正标定算法 | 第53-55页 |
| 4.3.2 自标定算法 | 第55页 |
| 4.4 基于单目视觉的前方目标运动学测距 | 第55-59页 |
| 4.4.1 摄像头的成像原理 | 第55-57页 |
| 4.4.2 三维世界空间坐标系和摄像机坐标系之间的转换 | 第57-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第5章 试验验证与结果分析 | 第61-73页 |
| 5.1 车辆目标识别 | 第61-64页 |
| 5.1.1 车辆目标识别数据集准备 | 第61-62页 |
| 5.1.2 车辆模型训练及预测试验 | 第62-64页 |
| 5.2 行人目标识别 | 第64-67页 |
| 5.2.1 行人识别数据集准备 | 第64-65页 |
| 5.2.2 行人识别模型训练及预测实验结果分析 | 第65-67页 |
| 5.3 单目视觉车辆距离测算 | 第67-71页 |
| 5.4 本章小结 | 第71-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-80页 |