| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 智能驾驶研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 行道线检测概述 | 第13-15页 |
| 1.3.1 基于道路模型的检测方法 | 第13-14页 |
| 1.3.2 基于图像特征的检测方法 | 第14-15页 |
| 1.4 本文的主要研究内容和章节安排 | 第15-16页 |
| 2 道路图像预处理及车载相机标定 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 道路图像灰度化 | 第16-18页 |
| 2.3 感兴趣区域 | 第18页 |
| 2.4 车载相机标定 | 第18-22页 |
| 2.4.1 标定概述 | 第18-19页 |
| 2.4.2 标定理论基础 | 第19-21页 |
| 2.4.3 相机标定实验 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 3 基于投影变换的快速行道线直道检测 | 第24-38页 |
| 3.1 引言 | 第24页 |
| 3.2 基于投影变换的行道线候选点提取 | 第24-30页 |
| 3.2.1 候选点提取 | 第25-28页 |
| 3.2.2 基于积分图的快速和变窗口的投影变换实现 | 第28-30页 |
| 3.2.3 基于背景估计的行道线区域提取 | 第30页 |
| 3.2.4 候选点实验结果 | 第30页 |
| 3.3 基于角度估计霍夫变换的行道线选取 | 第30-31页 |
| 3.4 行道线过滤机制研究 | 第31-34页 |
| 3.4.1 基于对比度的不良行道线过滤 | 第32页 |
| 3.4.2 基于消失点的的不良行道线过滤 | 第32-33页 |
| 3.4.3 基于DBSCAN的行道线聚类 | 第33-34页 |
| 3.5 实验结果与分析 | 第34-37页 |
| 3.6 本章小结 | 第37-38页 |
| 4 基于分段式消失点估计的行道线弯道检测 | 第38-54页 |
| 4.1 引言 | 第38-39页 |
| 4.2 基于分段式消失点估计的弯道判别 | 第39-43页 |
| 4.2.1 多角度投影 | 第39-40页 |
| 4.2.2 分段式消失点估计 | 第40-42页 |
| 4.2.3 弯道判别 | 第42-43页 |
| 4.3 弯道曲线提取 | 第43-51页 |
| 4.3.1 线段拼接 | 第44-45页 |
| 4.3.2 曲线拟合 | 第45-51页 |
| 4.3.3 曲线验证 | 第51页 |
| 4.4 实验结果与分析 | 第51-53页 |
| 4.5 本章小节 | 第53-54页 |
| 5 基于机器学习的行道线粗定位 | 第54-72页 |
| 5.1 引言 | 第54页 |
| 5.2 行道线特征分析 | 第54-59页 |
| 5.2.1 行道线HOG特征提取 | 第55-58页 |
| 5.2.2 行道线Haar特征提取 | 第58-59页 |
| 5.3 特征学习算法的选择 | 第59-66页 |
| 5.3.1 支持向量机SVM | 第59-61页 |
| 5.3.2 AdaBoost算法 | 第61-66页 |
| 5.4 实验与结果分析 | 第66-71页 |
| 5.4.1 实验环境与数据集介绍 | 第66-68页 |
| 5.4.2 基于HOG和SVM的行道线检测 | 第68-69页 |
| 5.4.3 基于Haar和Adaboost的行道线检测 | 第69-70页 |
| 5.4.4 结果分析 | 第70-71页 |
| 5.5 本章小结 | 第71-72页 |
| 6 实验智能车平台介绍 | 第72-76页 |
| 6.1 无人驾驶车辆简介 | 第72页 |
| 6.2 系统硬件配置介绍 | 第72-74页 |
| 6.2.1 惯导及GPS | 第73页 |
| 6.2.2 激光雷达 | 第73页 |
| 6.2.3 相机 | 第73-74页 |
| 6.2.4 处理系统 | 第74页 |
| 6.3 系统软件模块介绍 | 第74-75页 |
| 6.4 本章小结 | 第75-76页 |
| 7 总结和展望 | 第76-78页 |
| 7.1 工作总结 | 第76-77页 |
| 7.2 存在的问题 | 第77页 |
| 7.3 工作展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 附录 | 第83页 |