基于双目视觉的弯道检测与预警算法的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外技术发展状况 | 第11-14页 |
| 1.2.1 弯道检测技术的发展现状 | 第11-12页 |
| 1.2.2 弯道预警技术的发展现状 | 第12-14页 |
| 1.3 主要研究内容和章节安排 | 第14-16页 |
| 第2章 弯道图像预处理 | 第16-32页 |
| 2.1 弯道图像的灰度化 | 第16-17页 |
| 2.2 基于灰度统计特性的ROI提取方法 | 第17-20页 |
| 2.2.1 方法设计 | 第17-18页 |
| 2.2.2 方法改进 | 第18-19页 |
| 2.2.3 ROI提取结果 | 第19-20页 |
| 2.3 弯道图像增强 | 第20-30页 |
| 2.3.1 空间域图像增强原理 | 第21页 |
| 2.3.2 弯道图像噪声干扰的特点 | 第21-22页 |
| 2.3.3 空间域滤波的方法与效果 | 第22-24页 |
| 2.3.4 空间域锐化的方法与效果 | 第24-27页 |
| 2.3.5 频率域图像增强方法与效果 | 第27-30页 |
| 2.4 弯道图像的二值化 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 弯道检测与特征提取 | 第32-50页 |
| 3.1 静态图像中的弯道检测算法 | 第32-41页 |
| 3.1.1 基于最小二乘法的车道线检测 | 第33-36页 |
| 3.1.2 基于改进Hough变换的车道线检测 | 第36-41页 |
| 3.2 序列图像中的弯道检测算法 | 第41-46页 |
| 3.2.1 基于动态知识库的车道线检测算法 | 第42-43页 |
| 3.2.2 动态知识库的建立与更新机制 | 第43-44页 |
| 3.2.3 置信度确认 | 第44-45页 |
| 3.2.4 检测效果 | 第45-46页 |
| 3.3 弯道特征点的提取 | 第46-49页 |
| 3.3.1 弯道的判定方法 | 第46-48页 |
| 3.3.2 弯道特征点的提取方法 | 第48-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 基于双目视觉的弯道测距方法 | 第50-71页 |
| 4.1 理想双目视觉模型的测距方法 | 第50-52页 |
| 4.2 双目视觉测距的实验平台搭建 | 第52-53页 |
| 4.3 单摄像机的标定 | 第53-63页 |
| 4.3.1 单摄像机的内参和外参 | 第54-57页 |
| 4.3.2 单摄像机的畸变参数 | 第57-58页 |
| 4.3.3 单摄像机标定方法 | 第58-60页 |
| 4.3.4 单摄像机标定结果 | 第60-63页 |
| 4.4 双目系统的立体标定 | 第63-66页 |
| 4.4.1 双目系统的标定参数 | 第63-65页 |
| 4.4.2 立体标定结果 | 第65-66页 |
| 4.5 提高测距精度的方法 | 第66-70页 |
| 4.5.1 立体校正 | 第66-67页 |
| 4.5.2 测距公式的修正 | 第67-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第5章 基于测距的弯道预警算法 | 第71-78页 |
| 5.1 弯道预警算法的设计与实现 | 第71-73页 |
| 5.2 弯道预警算法的性能分析 | 第73-77页 |
| 5.2.1 弯道特征提取与判定的准确性 | 第73-74页 |
| 5.2.2 距离测量的准确性 | 第74-75页 |
| 5.2.3 预警算法的鲁棒性 | 第75-77页 |
| 5.3 本章小结 | 第77-78页 |
| 第6章 总结与展望 | 第78-80页 |
| 6.1 本文总结 | 第78页 |
| 6.2 展望 | 第78-80页 |
| 致谢 | 第80-82页 |
| 参考文献 | 第82-83页 |
