| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-30页 |
| 1.1 研究背景和意义 | 第13-16页 |
| 1.2 自主车及其感知系统研究发展概况 | 第16-21页 |
| 1.2.1 国外自主车研究发展概况 | 第16-17页 |
| 1.2.2 我国自主车研究发展概况 | 第17-18页 |
| 1.2.3 道路环境理解技术研究状况 | 第18-21页 |
| 1.3 自主车总体技术 | 第21-27页 |
| 1.4 本课题研究内容及章节安排 | 第27-30页 |
| 第2章 基于多尺度特征和IPM图的车道线检测 | 第30-68页 |
| 2.1 引言 | 第30-31页 |
| 2.2 车道模型 | 第31-33页 |
| 2.3 自校正闭环车道视觉检测器算法 | 第33-43页 |
| 2.3.1 总体架构 | 第33-34页 |
| 2.3.2 基于IPM图二维二进小波多尺度边缘提取的检测器算法 | 第34-38页 |
| 2.3.3 基于最佳小波包的检测器算法 | 第38-40页 |
| 2.3.4 Hough变换及其改进算法 | 第40-43页 |
| 2.4 基于IPM图的车道线检测实现 | 第43-61页 |
| 2.4.1 IPM俯视图获取 | 第44-48页 |
| 2.4.2 道路区域IPM俯视图预处理 | 第48-52页 |
| 2.4.3 车道边缘特征提取及候选车道线定位 | 第52-59页 |
| 2.4.4 车道线拟合及精确定位 | 第59-61页 |
| 2.5 基于尺度自适应Kalman滤波的车道线跟踪 | 第61-67页 |
| 2.5.1 车道纠偏机理 | 第61-63页 |
| 2.5.2 随机线性离散系统Kalman预测器 | 第63-64页 |
| 2.5.3 尺度自适应Kalman预测器 | 第64-65页 |
| 2.5.4 实验与分析 | 第65-67页 |
| 2.6 本章小结 | 第67-68页 |
| 第3章 基于单层小波包压缩感知和遗传算法的道路理解 | 第68-87页 |
| 3.1 引言 | 第68页 |
| 3.2 压缩感知基础理论 | 第68-70页 |
| 3.3 自然图像信号的小波域压缩感知 | 第70-74页 |
| 3.3.1 自然图像信号的稀疏表示 | 第71-72页 |
| 3.3.2 测量矩阵的选取 | 第72-73页 |
| 3.3.3 自然图像信号重构 | 第73-74页 |
| 3.4 基于压缩感知和遗传算法的道路图像分割 | 第74-80页 |
| 3.4.1 一般道路图像理解方法对比分析 | 第74页 |
| 3.4.2 道路图像近似小波压缩感知算法 | 第74-77页 |
| 3.4.3 道路图像分割的自适应遗传算法 | 第77-80页 |
| 3.5 实验与分析 | 第80-86页 |
| 3.5.1 实验平台 | 第80-81页 |
| 3.5.2 小波包分解树选择实验 | 第81-82页 |
| 3.5.3 道路图像近似压缩感知实验 | 第82-83页 |
| 3.5.4 道路图像分割实验 | 第83-85页 |
| 3.5.5 算法对比与分析 | 第85-86页 |
| 3.6 本章小结 | 第86-87页 |
| 第4章 基于语义树马尔科夫模型的道路理解 | 第87-94页 |
| 4.1 引言 | 第87页 |
| 4.2 道路图像的小波域多尺度建模 | 第87-89页 |
| 4.3 基于有监督RT-MRF模型的道路图像分割 | 第89-90页 |
| 4.4 实验与分析 | 第90-93页 |
| 4.5 本章小结 | 第93-94页 |
| 第5章 基于立体视觉和显著性视觉的路障检测 | 第94-123页 |
| 5.1 引言 | 第94-96页 |
| 5.2 双目视觉感知机理 | 第96-101页 |
| 5.2.1 双目感知一般步骤 | 第96-97页 |
| 5.2.2 立体匹配 | 第97-98页 |
| 5.2.3 深度信息获取及三维重建 | 第98-101页 |
| 5.3 融合深度和边缘特征的障碍物检测 | 第101-110页 |
| 5.3.1 基于Contourlet变换的双目图像预处理 | 第101-104页 |
| 5.3.2 深度和边缘特征提取 | 第104-107页 |
| 5.3.3 双目测距精度分析 | 第107-110页 |
| 5.4 基于显著性视觉特征的障碍物检测 | 第110-122页 |
| 5.4.1 人眼视觉信息传递过程及视觉显著性 | 第110-111页 |
| 5.4.2 障碍物特征匹配 | 第111-113页 |
| 5.4.3 基于Hessian矩阵的稀疏SURF特征提取算法 | 第113-118页 |
| 5.4.4 实验与分析 | 第118-122页 |
| 5.5 本章小结 | 第122-123页 |
| 第6章 基于HSV和SURF特征优化匹配的交通标志理解 | 第123-169页 |
| 6.1 引言 | 第123-125页 |
| 6.2 先验知识辅助基于颜色-形状顺序组合特征的交通标志检测 | 第125-147页 |
| 6.2.1 基于颜色-形状顺序组合特征的标志先验知识分析 | 第125-128页 |
| 6.2.2 HSV颜色特征分析 | 第128-133页 |
| 6.2.3 基于H特征的标志候选区域粗分割 | 第133-138页 |
| 6.2.4 基于形状特征的标志二次分割 | 第138-144页 |
| 6.2.5 增强鲁棒性的多特征联合估计 | 第144-145页 |
| 6.2.6 实验与分析 | 第145-147页 |
| 6.3 基于SURF特征优化匹配的交通标志识别 | 第147-168页 |
| 6.3.1 图像特征匹配优化分析及本文识别算法流程 | 第147-149页 |
| 6.3.2 基于颜色分类器的交通标志图像库设计 | 第149-150页 |
| 6.3.3 多分辨率递阶快速匹配 | 第150-153页 |
| 6.3.4 采用多约束剔除误匹配的稀疏鲁棒匹配识别算法 | 第153-155页 |
| 6.3.5 实验与分析 | 第155-168页 |
| 6.4 本章小结 | 第168-169页 |
| 结论 | 第169-173页 |
| 参考文献 | 第173-182页 |
| 攻读学位期间发表的论文与研究成果清单 | 第182-184页 |
| 致谢 | 第184页 |
