| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第17-34页 |
| 1.1 研究背景与意义 | 第17-19页 |
| 1.1.1 研究背景 | 第17-18页 |
| 1.1.2 研究意义 | 第18-19页 |
| 1.2 车辆驾驶辅助系统国内外研究现状 | 第19-27页 |
| 1.2.1 国外研究现状 | 第19-24页 |
| 1.2.2 国内研究现状 | 第24-27页 |
| 1.3 视觉感知技术 | 第27-31页 |
| 1.3.1 车道线检测与跟踪技术 | 第27-28页 |
| 1.3.2 前方车辆检测技术 | 第28页 |
| 1.3.3 驾驶员面部检测技术 | 第28-29页 |
| 1.3.4 行人检测技术 | 第29-30页 |
| 1.3.5 图像块目标跟踪技术 | 第30-31页 |
| 1.4 本文主要内容 | 第31-34页 |
| 1.4.1 课题主要来源 | 第31页 |
| 1.4.2 主要研究内容 | 第31-34页 |
| 第2章 面向结构化道路的车道线检测与跟踪 | 第34-44页 |
| 2.1 车道线匹配增强 | 第34-36页 |
| 2.1.1 匹配滤波原理 | 第34-35页 |
| 2.1.2 车道线的多尺度匹配增强 | 第35-36页 |
| 2.2 车道线特征点的恒虚警率检测 | 第36-39页 |
| 2.2.1 恒虚警率检测原理 | 第36-38页 |
| 2.2.2 车道线特征点自适应提取 | 第38-39页 |
| 2.3 车道线拟合与跟踪 | 第39-41页 |
| 2.3.1 车道线拟合 | 第39-40页 |
| 2.3.2 车道线跟踪 | 第40-41页 |
| 2.4 实验验证与分析 | 第41-43页 |
| 2.4.1 多场景验证 | 第41-42页 |
| 2.4.2 性能分析 | 第42-43页 |
| 2.5 本章小结 | 第43-44页 |
| 第3章 前方多车的检测与跟踪 | 第44-74页 |
| 3.1 基于贝叶斯概率的车辆提升学习检测 | 第44-55页 |
| 3.1.1 自适应提升学习分类器的基本原理和特点 | 第44-46页 |
| 3.1.2 基于贝叶斯概率的自适应提升学习分类器 | 第46-49页 |
| 3.1.3 车辆图像库预处理 | 第49-52页 |
| 3.1.4 基于Haar特征积分图的车辆检测方法 | 第52-55页 |
| 3.2 基于多局部特征压缩感知的前车跟踪 | 第55-67页 |
| 3.2.1 基于PCA+ICA的特征提取 | 第55-61页 |
| 3.2.2 局部特征的压缩感知 | 第61-63页 |
| 3.2.3 前方多车的在线隔帧跟踪 | 第63-67页 |
| 3.3 实验验证与分析 | 第67-73页 |
| 3.3.1 车辆尾部分类检测 | 第67-69页 |
| 3.3.2 车辆尾部跟踪 | 第69-73页 |
| 3.4 本章小结 | 第73-74页 |
| 第4章 基于深度卷积网络的驾驶员面部检测与跟踪 | 第74-99页 |
| 4.1 深度卷积网络 | 第74-84页 |
| 4.1.1 卷积层 | 第77-79页 |
| 4.1.2 降采样层 | 第79-81页 |
| 4.1.3 训练方法 | 第81-84页 |
| 4.2 基于深度卷积表达的驾驶员面部检测 | 第84-86页 |
| 4.3 基于感知哈希的驾驶员面部跟踪 | 第86-89页 |
| 4.4 实验验证与分析 | 第89-98页 |
| 4.4.1 驾驶员面部分类检测 | 第89-93页 |
| 4.4.2 驾驶员面部跟踪 | 第93-98页 |
| 4.5 本章小结 | 第98-99页 |
| 第5章 多平台下的视频流算法验证 | 第99-114页 |
| 5.1 基于嵌入式Linux系统的车道线检测与跟踪 | 第99-110页 |
| 5.1.1 系统硬件层 | 第99-104页 |
| 5.1.2 系统软件层 | 第104-107页 |
| 5.1.3 实验平台与在线验证 | 第107-110页 |
| 5.2 基于Windows多线程的驾驶员面部检测与跟踪 | 第110-112页 |
| 5.2.1 多线程编程及其必要性 | 第110-111页 |
| 5.2.2 多线程下的驾驶员面部检测与跟踪 | 第111-112页 |
| 5.3 本章小结 | 第112-114页 |
| 总结与展望 | 第114-116页 |
| 参考文献 | 第116-131页 |
| 攻读学位期间发表的学术成果 | 第131-132页 |
| 致谢 | 第132页 |