| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 引言 | 第9页 |
| 1.2 研究背景与意义 | 第9-10页 |
| 1.2.1 研究背景 | 第9-10页 |
| 1.2.2 研究意义 | 第10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 车道线检测与偏航预警 | 第10-12页 |
| 1.3.2 行人检测研究 | 第12-13页 |
| 1.3.3 障碍物测距研究 | 第13页 |
| 1.4 研究内容及论文章节安排 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 基于机器视觉的车道线检测与偏航预警 | 第15-39页 |
| 2.1 引言 | 第15页 |
| 2.2 车道线检测算法 | 第15-30页 |
| 2.2.1 道路图像预处理 | 第16-19页 |
| 2.2.2 图像形态学与二值化 | 第19-24页 |
| 2.2.3 图像细化及离散点选取 | 第24-27页 |
| 2.2.4 基于简化的RANSAC算法的车道线拟合 | 第27-30页 |
| 2.3 车道线虚实判别 | 第30-33页 |
| 2.3.1 原理及算法 | 第30-31页 |
| 2.3.2 虚实判别实验 | 第31-33页 |
| 2.4 考虑相机标定参数的车道偏航模型 | 第33-37页 |
| 2.4.1 相机标定 | 第33-34页 |
| 2.4.2 偏航模型建立 | 第34-36页 |
| 2.4.3 偏航距离与偏航角计算 | 第36-37页 |
| 2.5 本章小结 | 第37-39页 |
| 3 基于机器学习的智能车辆前方行人检测 | 第39-53页 |
| 3.1 引言 | 第39页 |
| 3.2 基于机器学习的行人检测技术 | 第39-42页 |
| 3.2.1 训练样本的采集 | 第39-40页 |
| 3.2.2 训练特征概述 | 第40-42页 |
| 3.2.3 分类器概述 | 第42页 |
| 3.3 基于HOG特征的行人检测方法 | 第42-50页 |
| 3.3.1 HOG特征的计算 | 第42-45页 |
| 3.3.2 基于HOG特征的级联分类器的训练 | 第45-47页 |
| 3.3.3 基于HOG特征的支持向量机的训练 | 第47-50页 |
| 3.4 分类器性能对比 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 4 基于机器视觉与毫米波雷达信息融合的测距技术 | 第53-67页 |
| 4.1 引言 | 第53页 |
| 4.2 单目相机与毫米波雷达的坐标系关系 | 第53-55页 |
| 4.3 单目视觉测距 | 第55-58页 |
| 4.3.1 单目视觉测距模型 | 第55-56页 |
| 4.3.2 单目视觉测距实验分析 | 第56-58页 |
| 4.4 毫米波雷达数据解析 | 第58-60页 |
| 4.5 机器视觉与毫米波雷达数据融合 | 第60-64页 |
| 4.5.1 实验平台搭建 | 第60-62页 |
| 4.5.2 测试界面设计开发与融合测距实验 | 第62-64页 |
| 4.6 本章小结 | 第64-67页 |
| 5 智能车辆测控系统软件基本功能设计与实现 | 第67-77页 |
| 5.1 引言 | 第67页 |
| 5.2 测控系统软件整体框架设计 | 第67-71页 |
| 5.2.1 开发流程简介 | 第67页 |
| 5.2.2 开发工具介绍 | 第67-68页 |
| 5.2.3 软件整体结构分析 | 第68-71页 |
| 5.3 基本功能的实现 | 第71-75页 |
| 5.3.1 多线程编程 | 第71-72页 |
| 5.3.2 传感器数据采集与结果显示 | 第72-74页 |
| 5.3.3 车辆运动控制 | 第74-75页 |
| 5.4 本章小结 | 第75-77页 |
| 6 总结与展望 | 第77-79页 |
| 6.1 全文总结 | 第77-78页 |
| 6.2 工作展望 | 第78-79页 |
| 致谢 | 第79-81页 |
| 参考文献 | 第81-84页 |