| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第17-40页 |
| 1.1 引言 | 第17-18页 |
| 1.2 智能车辆概述 | 第18-28页 |
| 1.2.1 智能车辆的研究意义 | 第19-20页 |
| 1.2.2 智能车辆的研究内容与现状 | 第20-25页 |
| 1.2.3 智能车辆的体系结构与关键技术 | 第25-28页 |
| 1.3 智能车辆视觉鲁棒检测与识别技术概述 | 第28-35页 |
| 1.3.1 智能车辆视觉鲁棒检测和识别相关研究内容研究现状 | 第28-34页 |
| 1.3.2 国内外视觉检测与识别方面有代表性的研究团队 | 第34-35页 |
| 1.3.3 智能车辆视觉鲁棒检测与识别面临的挑战 | 第35页 |
| 1.4 本文研究内容的应用平台 | 第35-37页 |
| 1.4.1 硬件平台 | 第36页 |
| 1.4.2 软件平台 | 第36-37页 |
| 1.5 本文研究内容与结构 | 第37-40页 |
| 1.5.1 主要研究内容和逻辑关系 | 第37页 |
| 1.5.2 本文组织结构 | 第37-40页 |
| 第2章 基于帧间等角度圆周运动的相机离线自标定方法 | 第40-59页 |
| 2.1 引言 | 第40页 |
| 2.2 多视图几何基本知识 | 第40-43页 |
| 2.2.1 空间几何变换 | 第40-42页 |
| 2.2.2 相机透视投影模型 | 第42页 |
| 2.2.3 无穷远平面 | 第42-43页 |
| 2.3 相机自标定主要方法 | 第43-47页 |
| 2.3.1 利用绝对对偶二次曲面的自标定方法 | 第44-45页 |
| 2.3.2 利用Kruppa方程的自标定方法 | 第45页 |
| 2.3.3 分层求解的自标定方法 | 第45-47页 |
| 2.4 本文思路及方法 | 第47-48页 |
| 2.5 帧间等角度圆周运动下分层自标定方法 | 第48-51页 |
| 2.5.1 帧间等角度圆周运动约束下的无穷远平面成像 | 第48-49页 |
| 2.5.2 连续帧优化求解无穷远平面坐标 | 第49-50页 |
| 2.5.3 分层迭代粒子群SIPSO优化方法 | 第50-51页 |
| 2.6 实验结果及分析 | 第51-58页 |
| 2.6.1 仿真实验结果与分析 | 第51-57页 |
| 2.6.2 真实图像序列实验结果与分析 | 第57-58页 |
| 2.7 本章小结 | 第58-59页 |
| 第3章 城市交通场景中车载相机在线标定方法 | 第59-78页 |
| 3.1 引言 | 第59-60页 |
| 3.2 传统车载相机标定 | 第60页 |
| 3.3 本文思路及方法 | 第60-62页 |
| 3.4 城市交通环境下车载相机自标定方法 | 第62-69页 |
| 3.4.1 利用消影点进行相机标定的基本原理 | 第62-64页 |
| 3.4.2 曼哈顿场景下的消影点估计 | 第64-66页 |
| 3.4.3 准曼哈顿场景下的直线拟合 | 第66-68页 |
| 3.4.4 长度加权的消影点估计 | 第68-69页 |
| 3.5 实验结果及分析 | 第69-77页 |
| 3.5.1 实验数据与方案 | 第69页 |
| 3.5.2 实验细节 | 第69-71页 |
| 3.5.3 算法验证与结果分析 | 第71-77页 |
| 3.6 本章小结 | 第77-78页 |
| 第4章 基于局部能量聚类分割和语义验证的交通标志检测方法 | 第78-106页 |
| 4.1 引言 | 第78页 |
| 4.2 交通标志检测方法研究现状 | 第78-80页 |
| 4.3 本文思路及方法 | 第80-81页 |
| 4.4 基于多重差分高斯滤波的局部能量聚类的分割方法 | 第81-84页 |
| 4.5 感兴趣区域语义功能验证的特征提取 | 第84-89页 |
| 4.5.1 几何特征 | 第84-85页 |
| 4.5.2 颜色特征 | 第85-86页 |
| 4.5.3 形状特征 | 第86-89页 |
| 4.6 基于多核嵌入测度学习的多特征融合交通标志语义分类 | 第89-98页 |
| 4.6.1 测度学习基本原理 | 第90-94页 |
| 4.6.2 加权映射连接的多核嵌入测度学习模型 | 第94-95页 |
| 4.6.3 模型优化求解方法 | 第95-98页 |
| 4.7 算法验证和实验结果及分析 | 第98-105页 |
| 4.7.1 交通标志聚类分割方法验证 | 第98-99页 |
| 4.7.2 多核嵌入的测度学习算法验证和实验结果 | 第99-104页 |
| 4.7.3 交通标志语义验证测试结果 | 第104-105页 |
| 4.8 本章小结 | 第105-106页 |
| 第5章 多模态多任务学习的交通标志识别方法 | 第106-126页 |
| 5.1 引言 | 第106页 |
| 5.2 交通标志识别方法研究现状 | 第106-108页 |
| 5.2.1 基于机器学习的方法 | 第107页 |
| 5.2.2 基于特征的方法 | 第107-108页 |
| 5.3 本文思路及方法 | 第108-110页 |
| 5.4 基于多模态和树结构嵌入的多任务学习的交通标志识别方法 | 第110-120页 |
| 5.4.1 结构化稀疏引导范数基本知识及其在机器学习中的应用 | 第110-114页 |
| 5.4.2 多模态和树结构嵌入多任务学习模型 | 第114-116页 |
| 5.4.3 模型优化求解方法 | 第116-119页 |
| 5.4.4 算法收敛性分析 | 第119-120页 |
| 5.4.5 运算复杂度分析 | 第120页 |
| 5.5 实验结果及分析 | 第120-125页 |
| 5.5.1 实验数据 | 第121页 |
| 5.5.2 参数设置与选择 | 第121-122页 |
| 5.5.3 特征选择结果 | 第122-123页 |
| 5.5.4 识别准确率 | 第123-125页 |
| 5.6 本章小结 | 第125-126页 |
| 第6章 复杂交通环境下的行人鲁棒检测方法 | 第126-144页 |
| 6.1 引言 | 第126-127页 |
| 6.2 行人检测方法研究现状及主要问题 | 第127-129页 |
| 6.2.1 行人检测方法主要研究进展 | 第127-128页 |
| 6.2.2 低分辨率下行人检测的研究进展 | 第128-129页 |
| 6.2.3 低分辨率下其他目标检测和识别方法的研究进展 | 第129页 |
| 6.3 本文思路及方法 | 第129-130页 |
| 6.4 融合高分辨率和低分辨率特征的鲁棒行人检测方法 | 第130-139页 |
| 6.4.1 主要数学表示 | 第130-131页 |
| 6.4.2 鲁棒行人检测模型 | 第131-132页 |
| 6.4.3 模型优化求解方法 | 第132-136页 |
| 6.4.4 模型训练细节 | 第136-137页 |
| 6.4.5 算法收敛性分析 | 第137-139页 |
| 6.4.6 算法复杂度分析 | 第139页 |
| 6.5 实验结果及分析 | 第139-143页 |
| 6.5.1 实验数据与方案 | 第139-141页 |
| 6.5.2 算法验证与结果分析 | 第141-143页 |
| 6.6 本章小结 | 第143-144页 |
| 结论 | 第144-146页 |
| 参考文献 | 第146-165页 |
| 附录A 发表论文和参加科研情况说明 | 第165-166页 |
| 致谢 | 第166页 |
