| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 课题背景 | 第11页 |
| 1.2 课题难点 | 第11-12页 |
| 1.3 本文工作 | 第12-13页 |
| 1.3.1 车尾灯的图像分割算法 | 第12-13页 |
| 1.3.2 夜间车辆检测与状态判断 | 第13页 |
| 1.4 本文的组织和逻辑结构 | 第13-14页 |
| 1.4.1 组织结构 | 第13-14页 |
| 1.4.2 逻辑架构 | 第14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 夜间车辆检测和状态判断相关技术综述 | 第15-27页 |
| 2.1 预处理相关技术 | 第15-18页 |
| 2.1.1 减少输入设备的图像差异的相关技术 | 第15-17页 |
| 2.1.2 删减无关区域相关技术 | 第17页 |
| 2.1.3 减少环境干扰的滤波技术 | 第17-18页 |
| 2.2 夜间场景下车辆尾灯提取的相关技术 | 第18-21页 |
| 2.2.1 基于颜色空间通道阈值过滤的尾灯提取技术 | 第18-19页 |
| 2.2.2 基于亮度和车尾灯形态的尾灯提取技术 | 第19-20页 |
| 2.2.3 基于机器学习算法的尾灯提取技术 | 第20-21页 |
| 2.3 夜间场景尾灯匹配和跟踪相关技术 | 第21-25页 |
| 2.3.1 基于几何关系的尾灯匹配技术 | 第21-22页 |
| 2.3.2 基于相似性校验的尾灯匹配技术 | 第22-23页 |
| 2.3.3 其他尾灯匹配技术 | 第23-24页 |
| 2.3.4 基于区域相似性的跟踪技术 | 第24页 |
| 2.3.5 基于运动预测的跟踪技术 | 第24-25页 |
| 2.4 车灯状态判断相关技术 | 第25-26页 |
| 2.4.1 基于时序信息的车灯状态判断技术 | 第25页 |
| 2.4.2 状态灯直接识别技术 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 夜间场景前车车灯的图像分割方法 | 第27-47页 |
| 3.1 引言 | 第27页 |
| 3.2 问题描述 | 第27-29页 |
| 3.3 基于尾灯颜色特征的预处理 | 第29-31页 |
| 3.3.1 感兴趣区域分割 | 第29-30页 |
| 3.3.2 基于大量统计的宽泛阈值过滤 | 第30-31页 |
| 3.4 尾灯假设产生 | 第31-32页 |
| 3.5 尾灯假设验证 | 第32-41页 |
| 3.5.1 白色区域拓展的光晕范围确定 | 第32-33页 |
| 3.5.2 光晕区域覆盖算法 | 第33-35页 |
| 3.5.3 疑似车灯光晕区域验证 | 第35-41页 |
| 3.6 实验结果与分析 | 第41-46页 |
| 3.6.1 尾灯形状和颜色的适应性测试实验 | 第41-42页 |
| 3.6.2 不同场景前车尾灯提取实验 | 第42-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第四章 夜间车辆识别和状态判断 | 第47-67页 |
| 4.1 引言 | 第47页 |
| 4.2 问题描述 | 第47-49页 |
| 4.3 基于稳定队列和最小二乘估计的单个车灯跟踪 | 第49-53页 |
| 4.3.1 前后帧车灯同一性确定方法 | 第50-52页 |
| 4.3.2 采用稳定队列和不稳定队列以及最小二乘法的跟踪过程 | 第52-53页 |
| 4.4 基于几何规则的车灯对象匹配 | 第53-55页 |
| 4.5 基于 HSV 图像多帧时序信息变化的车灯状态判断 | 第55-57页 |
| 4.6 实验结果与分析 | 第57-66页 |
| 4.6.1 夜间场景单个车灯跟踪实验 | 第58-60页 |
| 4.6.2 夜间场景前车检测实验 | 第60-64页 |
| 4.6.3 夜间场景前车状态判断实验 | 第64-66页 |
| 4.7 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 工作总结 | 第67-68页 |
| 5.2 未来展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 详细摘要 | 第75-78页 |
