中文摘要 | 第4-5页 |
Abstract | 第5页 |
第一章 绪论 | 第9-18页 |
1.1 课题研究背景及意义 | 第9页 |
1.2 汽车识别的发展现状 | 第9-11页 |
1.3 基本概念 | 第11-12页 |
1.3.1 光流 | 第11页 |
1.3.2 光流场 | 第11-12页 |
1.4 应用于车辆识别的光流计算和相关算法综述 | 第12-16页 |
1.5 本文的研究内容和结构安排 | 第16-18页 |
1.5.1 本文的研究内容 | 第16页 |
1.5.2 本文的章节安排 | 第16-18页 |
第二章 基于Horn-Schunck算法的光流场 | 第18-31页 |
2.1 Horn-Schunck光流计算模型 | 第18-24页 |
2.1.1 光流约束方程 | 第18页 |
2.1.2 假设条件 | 第18-19页 |
2.1.3 孔径问题 | 第19-20页 |
2.1.4 光流约束条件 | 第20页 |
2.1.5 变分法求解光流场 | 第20-22页 |
2.1.6 梯度的离散化估计 | 第22-23页 |
2.1.7 参数 ? 的作用 | 第23-24页 |
2.1.8 对特殊区域的处理方式 | 第24页 |
2.2 改进的Horn-Schunck光流算法 | 第24-25页 |
2.3 算法特点 | 第25-26页 |
2.4 应用于汽车场景的光流场计算效果及其分析 | 第26-31页 |
第三章 基于Lucas-Kanade算法的光流场 | 第31-44页 |
3.1 基于金字塔方法的Lucas-Kanade光流算法处理大运动 | 第31-39页 |
3.1.1 特征跟踪算法的经典描述 | 第31页 |
3.1.2 图像的金字塔表达 | 第31-33页 |
3.1.3 采用金字塔方法的特征跟踪算法描述 | 第33-34页 |
3.1.4 经典Lucas-Kanade光流算法 | 第34-38页 |
3.1.5 迭代Lucas-Kanade光流算法 | 第38-39页 |
3.2 改进的Lucas-Kanade光流算法 | 第39-42页 |
3.2.1 引入平滑预操作 | 第39页 |
3.2.2 数字微分方法 | 第39页 |
3.2.3 置信估量 | 第39-40页 |
3.2.4 遮挡边缘上的光流值改良 | 第40-41页 |
3.2.5 结合Horn-Schunck算法 | 第41-42页 |
3.3 应用于汽车场景的光流场计算效果及其分析 | 第42-44页 |
第四章 基于SIFT的光流场 | 第44-60页 |
4.1 SIFT算法特点 | 第44-45页 |
4.2 SIFT算法原理 | 第45-54页 |
4.2.1 DoG尺度空间构造 | 第45-47页 |
4.2.2 关键点搜索 | 第47-48页 |
4.2.3 关键点精确定位 | 第48页 |
4.2.4 删除边缘效应 | 第48-50页 |
4.2.5 关键点的方向赋值 | 第50-52页 |
4.2.6 关键点描述 | 第52-54页 |
4.3 基于SIFT特征匹配的光流场估算 | 第54-56页 |
4.4 致密SIFT光流场的估算以及可视化显示 | 第56-60页 |
第五章 基于车辆特征和特征光流场的汽车运动估计 | 第60-76页 |
5.1 针对复杂场景的基本原理和算法策略 | 第60-61页 |
5.2 视频中的图像提取策略 | 第61-62页 |
5.3 感兴趣区域分割 | 第62-64页 |
5.3.1 基于hough算法的车道线检测 | 第62页 |
5.3.2 基于车道线估算FOE | 第62-63页 |
5.3.3 行车环境光流场的五特征区域设置 | 第63-64页 |
5.4 基于车底阴影和FOE分割出候选汽车区域 | 第64-68页 |
5.4.1 基于路面区域灰度信息生成包含车底阴影的二值图 | 第64-66页 |
5.4.2 基于LOC算法提取水平边缘 | 第66-68页 |
5.4.3 基于FOE的候选区域验证 | 第68页 |
5.5 融合K-均值聚类算法和canny边缘检测的光流场分割 | 第68-70页 |
5.6 基于融合方法的候选区域验证及车辆状态判断 | 第70-72页 |
5.7 实际数据实验分析 | 第72-76页 |
第六章 总结与展望 | 第76-78页 |
6.1 总结 | 第76页 |
6.2 对下一步工作的展望 | 第76-78页 |
参考文献 | 第78-83页 |
攻读硕士学位期间公开发表的论文及科研成果 | 第83-84页 |
致谢 | 第84-85页 |