基于双目视觉的结构化道路前方车辆检测与距离测量
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 辅助驾驶系统 | 第11-12页 |
| 1.3 研究历史与现状 | 第12-13页 |
| 1.4 本文主要工作 | 第13-15页 |
| 2 车辆检测与距离测量相关理论与技术 | 第15-21页 |
| 2.1 立体视觉处理技术 | 第15-18页 |
| 2.1.1 视差 | 第15-16页 |
| 2.1.2 目测距原理 | 第16-18页 |
| 2.1.3 目测距过程 | 第18页 |
| 2.2 车辆检测步骤 | 第18-19页 |
| 2.2.1 假设生成 | 第18-19页 |
| 2.2.2 假设验证 | 第19页 |
| 2.3 目标特征提取与匹配方法 | 第19-20页 |
| 2.3.1 SIFT特征提取与匹配 | 第19页 |
| 2.3.2 SURF特征提取与匹配 | 第19-20页 |
| 2.3.3 ORB特征提取与匹配 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 双目立体视觉系统构建及图像预处理 | 第21-28页 |
| 3.1 双目视觉模型 | 第21-22页 |
| 3.2 双目立体视觉系统 | 第22-26页 |
| 3.2.1 双目立体视觉系统的构建 | 第22-24页 |
| 3.2.2 双目摄像机Bumblebee2介绍 | 第24-26页 |
| 3.3 图像的采集与校正 | 第26-27页 |
| 3.3.1 图像采集 | 第26-27页 |
| 3.3.2 图像校正 | 第27页 |
| 3.4 本章小结 | 第27-28页 |
| 4 基于Haar分类器的结构化道路车辆检测 | 第28-47页 |
| 4.1 算法分析与车辆检测性能指标定义 | 第28-29页 |
| 4.2 基于车道线的初始感兴趣区域提取 | 第29-33页 |
| 4.2.1 车道线边缘提取 | 第29-30页 |
| 4.2.2 车道线检测 | 第30-31页 |
| 4.2.3 初始感兴趣区域划定 | 第31-33页 |
| 4.3 阴影检测 | 第33-37页 |
| 4.3.1 阴影检测算法 | 第33-34页 |
| 4.3.2 阴影提取 | 第34-35页 |
| 4.3.3 阴影与路面交线边缘的提取 | 第35-37页 |
| 4.4 Haar级联分类器 | 第37-42页 |
| 4.4.1 Haar-like特征 | 第37-39页 |
| 4.4.2 弱分类器构造 | 第39-40页 |
| 4.4.3 Adaboost算法 | 第40-41页 |
| 4.4.4 强分类器级联 | 第41-42页 |
| 4.5 仿真实验与结果分析 | 第42-46页 |
| 4.5.1 车道线检测实验结果 | 第42-43页 |
| 4.5.2 Haar分类器训练 | 第43-45页 |
| 4.5.3 前方车辆检测与性能分析 | 第45-46页 |
| 4.6 本章小结 | 第46-47页 |
| 5 前方车辆双目测距 | 第47-59页 |
| 5.1 系统构成与性能指标定义 | 第47-48页 |
| 5.2 特征提取与匹配算法选择 | 第48-51页 |
| 5.3 仿真实验与结果分析 | 第51-55页 |
| 5.3.1 ORB特征点提取 | 第51-52页 |
| 5.3.2 ORB特征点匹配 | 第52-53页 |
| 5.3.3 距离测量与误差分析 | 第53-55页 |
| 5.4 基于实际行车视频的实验结果与分析 | 第55-58页 |
| 5.4.1 实验数据源与系统平台 | 第55页 |
| 5.4.2 前方车辆距离测量实验结果 | 第55-57页 |
| 5.4.3 前方车辆测距方法性能分析 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
