| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题研究的背景和意义 | 第8-10页 |
| 1.2 道路图像车道线检测的国内外研究现状 | 第10-11页 |
| 1.3 复杂背景下道路车道线检测的挑战性问题 | 第11页 |
| 1.4 论文研究的主要内容及章节安排 | 第11-12页 |
| 1.5 本章小结 | 第12-13页 |
| 第二章 道路图像车道线检测算法研究 | 第13-18页 |
| 2.1 道路图像预处理 | 第13页 |
| 2.2 道路图像的分割 | 第13-16页 |
| 2.3 道路图像边缘检测 | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 基于分数阶积分的复杂背景道路图像去噪 | 第18-30页 |
| 3.1 概述 | 第18-19页 |
| 3.2 分数阶微积分理论 | 第19-22页 |
| 3.2.1 分数阶微积分的定义 | 第19-20页 |
| 3.2.2 分数阶微积分的特性 | 第20-22页 |
| 3.3 复杂背景道路图像去噪 | 第22-25页 |
| 3.3.1 初始感兴趣区域选取 | 第22页 |
| 3.3.2 基于分数阶积分的道路图像去噪 | 第22-25页 |
| 3.4 复杂背景道路图像去噪实验 | 第25-29页 |
| 3.4.1 实验结果 | 第25-26页 |
| 3.4.2 评价标准 | 第26-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 基于最大类间交叉熵和分数阶微分的车道线提取 | 第30-36页 |
| 4.1 概述 | 第30-31页 |
| 4.2 道路模型 | 第31页 |
| 4.2.1 结构化道路模型 | 第31页 |
| 4.2.2 车道线直线模型 | 第31页 |
| 4.3 基于最大类间交叉熵的图像分割 | 第31-33页 |
| 4.4 基于自适应分数阶微分的车道线提取 | 第33-35页 |
| 4.4.1 分数阶微分算子的自适应阶数的选取 | 第33-34页 |
| 4.4.2 道路图像车道线提取 | 第34-35页 |
| 4.5 对夜晚亮度较低的道路图像进行实验 | 第35页 |
| 4.6 本章小结 | 第35-36页 |
| 第五章 基于改进最小二乘法的车道线拟合及跟踪 | 第36-53页 |
| 5.1 概述 | 第36-37页 |
| 5.2 基于改进最小二乘法的车道线拟合 | 第37-41页 |
| 5.2.1 最小二乘法的基本原理 | 第37-38页 |
| 5.2.2 本文改进的最小二乘车道线拟合算法 | 第38-40页 |
| 5.2.3 基于消失点的车道线连接 | 第40-41页 |
| 5.3 卡尔曼滤波器 | 第41-45页 |
| 5.3.1 卡尔曼滤波器的基本原理 | 第41-42页 |
| 5.3.2 基于卡尔曼滤波器动态跟踪车道线 | 第42-45页 |
| 5.4 复杂背景下道路图像车道线检测实验 | 第45-51页 |
| 5.4.1 本文方法车道线检测实验 | 第45-47页 |
| 5.4.2 车道线检测方法对比试验 | 第47-51页 |
| 5.5 本章小结 | 第51-53页 |
| 总结与展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 攻读学位期间取得的研究成果 | 第60-61页 |
| 致谢 | 第61页 |