基于立体视觉和机器学习的车辆检测方法的研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 车辆检测的一般方法 | 第15-16页 |
| 1.3.1 假设生成 | 第15-16页 |
| 1.3.2 假设验证 | 第16页 |
| 1.4 本文的主要研究内容 | 第16-17页 |
| 1.5 本文的结构安排 | 第17-19页 |
| 第2章 生成初始候选区域 | 第19-26页 |
| 2.1 基于累积直方图的图像二值化方法 | 第19-20页 |
| 2.2 提取车底阴影与路面的交线 | 第20-23页 |
| 2.2.1 阴影线提取算法 | 第20-21页 |
| 2.2.2 第一次合并阴影线 | 第21-23页 |
| 2.2.3 第二次合并阴影线 | 第23页 |
| 2.3 实验结果及分析 | 第23-25页 |
| 2.3.1 参数设置 | 第23-24页 |
| 2.3.2 实验结果 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于立体匹配的候选区域确定 | 第26-45页 |
| 3.1 摄像机标定理论 | 第26-28页 |
| 3.1.1 标定坐标系 | 第26-27页 |
| 3.1.2 摄像机模型 | 第27-28页 |
| 3.2 摄像机的标定 | 第28-33页 |
| 3.2.1 张正友标定法 | 第29-31页 |
| 3.2.1.1 单应性矩阵 | 第29-30页 |
| 3.2.1.2 计算内、外参数矩阵 | 第30-31页 |
| 3.2.1.3 最大似然估计 | 第31页 |
| 3.2.2 摄像机标定实验结果及分析 | 第31-33页 |
| 3.3 双目立体视觉原理 | 第33-35页 |
| 3.4 双目立体匹配算法 | 第35-37页 |
| 3.4.1 双目立体匹配的一般步骤 | 第35-37页 |
| 3.4.2 立体匹配约束条件 | 第37页 |
| 3.5 半全局立体匹配算法与实验 | 第37-39页 |
| 3.5.1 半全部立体匹配算法 | 第37-39页 |
| 3.5.2 实验结果及分析 | 第39页 |
| 3.6 计算目标的实际大小 | 第39-40页 |
| 3.7 k-means算法 | 第40-44页 |
| 3.7.1 k-means算法介绍 | 第40-41页 |
| 3.7.2 视差图上的聚类 | 第41-44页 |
| 3.8 本章小结 | 第44-45页 |
| 第4章 基于HOG和SVM的目标识别算法 | 第45-55页 |
| 4.1 HOG特征提取 | 第45-49页 |
| 4.1.1 HOG特征的提取 | 第45-48页 |
| 4.1.2 参数设置 | 第48-49页 |
| 4.2 线性分类器SVM | 第49-54页 |
| 4.2.1 SVM介绍 | 第49-51页 |
| 4.2.2 SVM核函数 | 第51-52页 |
| 4.2.3 多尺度的分类器 | 第52-54页 |
| 4.3 本章小结 | 第54-55页 |
| 第5章 实验结果及分析 | 第55-65页 |
| 5.1 实验环境和数据集介绍 | 第55-57页 |
| 5.1.1 实验环境 | 第55页 |
| 5.1.2 数据集介绍 | 第55-57页 |
| 5.2 车辆检测结果及分析 | 第57-59页 |
| 5.2.1 车辆检测的结果 | 第57页 |
| 5.2.2 车辆检测的评价准则 | 第57-59页 |
| 5.2.3 车辆测距的结果及分析 | 第59页 |
| 5.3 在KITTI数据集上的车辆检测结果 | 第59-62页 |
| 5.4 实时性 | 第62-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第6章 结论与展望 | 第65-66页 |
| 6.1 结论 | 第65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 作者简介及在学期间所取得的科研成果 | 第71-72页 |
| 致谢 | 第72页 |
