大型车辆右侧盲区行人碰撞预警方法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文研究内容 | 第13-15页 |
| 1.3.1 基本内容 | 第13页 |
| 1.3.2 创新点 | 第13页 |
| 1.3.3 主要内容 | 第13-15页 |
| 第二章 基于视觉的行人检测 | 第15-33页 |
| 2.1 概述 | 第15页 |
| 2.2 行人的特征提取 | 第15-21页 |
| 2.2.1 HOG特征 | 第15-18页 |
| 2.2.2 优化HOG | 第18-21页 |
| 2.3 SVM分类器 | 第21-25页 |
| 2.3.1 SVM原理 | 第21-23页 |
| 2.3.2 SVM训练 | 第23-25页 |
| 2.4 行人检测 | 第25-28页 |
| 2.4.1 多尺度检测 | 第25-26页 |
| 2.4.2 合并重复窗口 | 第26-28页 |
| 2.5 实验结果与分析 | 第28-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 车辆右侧盲区的行人跟踪 | 第33-47页 |
| 3.1 概述 | 第33-34页 |
| 3.2 Meanshift算法 | 第34-36页 |
| 3.2.1 核密度估计 | 第34-35页 |
| 3.2.2 目标模型 | 第35-36页 |
| 3.2.3 相似性函数 | 第36页 |
| 3.2.4 目标跟踪 | 第36页 |
| 3.3 颜色-纹理特征模型 | 第36-39页 |
| 3.3.1 LBP纹理 | 第37-38页 |
| 3.3.2 FLBP8,1 纹理模型 | 第38页 |
| 3.3.3 颜色-纹理特征直方图 | 第38-39页 |
| 3.4 Meanshift算法的实现 | 第39-40页 |
| 3.5 可变窗口的自适应更新 | 第40-41页 |
| 3.6 行人行走轨迹的获得 | 第41-43页 |
| 3.7 实验结果及分析 | 第43-45页 |
| 3.8 本章小结 | 第45-47页 |
| 第四章 基于单目视觉的行人测距 | 第47-57页 |
| 4.1 概述 | 第47页 |
| 4.2 测距方法 | 第47-48页 |
| 4.3 行人距离测量 | 第48-54页 |
| 4.3.1 单目视觉测距 | 第48-50页 |
| 4.3.2 行人测距模型 | 第50-52页 |
| 4.3.3 摄像机标定 | 第52-54页 |
| 4.4 距离测量实验 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 右转弯碰撞预警 | 第57-75页 |
| 5.1 概述 | 第57页 |
| 5.2 车辆右转弯事故 | 第57-61页 |
| 5.2.1 车轮内轮差 | 第57-59页 |
| 5.2.2 右前轮盲区 | 第59页 |
| 5.2.3 右转弯仿真分析 | 第59-60页 |
| 5.2.4 模糊评价指标选择 | 第60-61页 |
| 5.3 模糊动态聚类分析 | 第61-65页 |
| 5.3.1 模糊集合和隶属度函数 | 第61-62页 |
| 5.3.2 模糊聚类分析方法 | 第62-64页 |
| 5.3.3 模糊聚类分析步骤 | 第64-65页 |
| 5.4 模糊模式识别 | 第65-67页 |
| 5.5 右转弯盲区碰撞预警实验分析 | 第67-74页 |
| 5.5.1 聚类实验 | 第67-72页 |
| 5.5.2 识别实验 | 第72-74页 |
| 5.6 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 全文总结 | 第75-76页 |
| 6.2 论文不足与展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 攻读硕士学位期间发表的学术论文 | 第82页 |
