| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外无人驾驶技术发展现状 | 第9-10页 |
| 1.3 计算机视觉在无人驾驶技术中的应用与发展 | 第10-14页 |
| 1.3.1 车道线检测的发展状况 | 第11-12页 |
| 1.3.2 交通路标检测与识别的发展状况 | 第12-14页 |
| 1.4 本文的主要工作和章节安排 | 第14-15页 |
| 第二章 基于HSV与连通区域经验模型的车道线检测 | 第15-31页 |
| 2.1 引言 | 第15页 |
| 2.2 现有的车道线检测算法 | 第15-20页 |
| 2.2.1 基于Hough变换的车道线检测 | 第15-17页 |
| 2.2.2 基于B样条曲线的车道线检测 | 第17-20页 |
| 2.3 基于提出的HSV与连通区域经验模型车道线检测 | 第20-29页 |
| 2.3.1 基于色彩阈值的车道线ROI粗略定位 | 第20-23页 |
| 2.3.2 基于连通区域经验模型的车道线ROI精确定位 | 第23-29页 |
| 2.4 小结 | 第29-31页 |
| 第三章 基于色彩与形状特征的交通路标检测 | 第31-39页 |
| 3.1 引言 | 第31页 |
| 3.2 基于色彩的交通路标ROI粗略定位 | 第31页 |
| 3.3 基于形状特征的交通路标ROI精确定位 | 第31-38页 |
| 3.4 小结 | 第38-39页 |
| 第四章 基于HOG特征与SVM分类器的交通路标识别 | 第39-53页 |
| 4.1 引言 | 第39页 |
| 4.2 GTSRB图像数据库介绍 | 第39-40页 |
| 4.3 HOG特征算子数据化样本图片 | 第40-42页 |
| 4.4 SVM支持向量机对样本进行分类 | 第42-52页 |
| 4.5 小结 | 第52-53页 |
| 第五章 实验与分析 | 第53-64页 |
| 5.1 车道线检测实验结果分析 | 第53-56页 |
| 5.1.1 直线车道线检测 | 第53-54页 |
| 5.1.2 曲线车道线检测 | 第54页 |
| 5.1.3 多车道车道线检测 | 第54-55页 |
| 5.1.4 小结与分析 | 第55-56页 |
| 5.2 交通路标检测与识别的实验与分析 | 第56-64页 |
| 5.2.1 正常情况下检测与识别 | 第56-58页 |
| 5.2.2 光照过强情况下检测与识别 | 第58-59页 |
| 5.2.3 模糊拍摄的情况下检测与识别 | 第59-61页 |
| 5.2.4 在阴影情况下的检测与识别 | 第61-62页 |
| 5.2.5 UI设计 | 第62-63页 |
| 5.2.6 小结与分析 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71-72页 |
| 附件 | 第72页 |
