摘要 | 第4-6页 |
Abstract | 第6-8页 |
1 绪论 | 第11-23页 |
1.1 研究背景与意义 | 第11-12页 |
1.1.1 研究背景 | 第11-12页 |
1.1.2 研究意义 | 第12页 |
1.2 国内外研究现状 | 第12-18页 |
1.2.1 国外研究现状 | 第12-16页 |
1.2.2 国内研究现状 | 第16-18页 |
1.3 研究内容与论文组织 | 第18-23页 |
1.3.1 论文研究内容 | 第18-21页 |
1.3.2 论文组织结构 | 第21-23页 |
2 基于序列图像交通场景三维重建 | 第23-54页 |
2.1 引言 | 第23-24页 |
2.2 相关工作 | 第24-26页 |
2.3 sift特征点的提取与匹配 | 第26-31页 |
2.3.1 sift特征点提取 | 第26-29页 |
2.3.2 特征点匹配 | 第29-31页 |
2.4 基于EM算法的序列图像摄像机投影矩阵估计 | 第31-41页 |
2.4.1 基于极线约束的静态点检测 | 第31-34页 |
2.4.2 基于8点法的基础矩阵计算 | 第34-35页 |
2.4.3 基于EM算法的静态点集确定和基本矩阵估算 | 第35-36页 |
2.4.4 投影矩阵估计 | 第36-41页 |
2.5 基于PCA的交通运动场景点的重建 | 第41-45页 |
2.5.1 三维点轨迹线性重建法 | 第42-43页 |
2.5.2 基于PCA的轨迹基元的确定 | 第43-44页 |
2.5.3 三维点轨迹重建的几何分析 | 第44-45页 |
2.6 实验与结果 | 第45-53页 |
2.6.1 合成数据测试 | 第46-49页 |
2.6.2 真实场景测试 | 第49-53页 |
2.7 本章小结 | 第53-54页 |
3 基于协方差描述子的交通场景理解 | 第54-72页 |
3.1 引言 | 第54-55页 |
3.2 交通场景特征提取 | 第55-59页 |
3.2.1 运动结构特征 | 第56-58页 |
3.2.2 物体外观特征 | 第58-59页 |
3.3 基于协方差描述子的交通场景特征融合 | 第59-63页 |
3.3.1 协方差描述子的定义 | 第59-60页 |
3.3.2 基于黎曼流形的特征提取 | 第60-62页 |
3.3.3 基于协方差描述子的交通场景特征融合 | 第62-63页 |
3.4 基于多类LogitBoost分类器的交通场景分割与识别 | 第63-65页 |
3.5 实验与结果 | 第65-71页 |
3.6 本章小结 | 第71-72页 |
4 基于稀疏采样视觉注意力模型的交通险情检测 | 第72-93页 |
4.1 引言 | 第72-73页 |
4.2 视觉注意力模型 | 第73-76页 |
4.2.1 视觉注意力机制 | 第73-74页 |
4.2.2 视觉注意力模型 | 第74-76页 |
4.3 基于稀疏采样的视觉注意力模型 | 第76-81页 |
4.3.1 半球形时空模型 | 第77-78页 |
4.3.2 稀疏采样法 | 第78-79页 |
4.3.3 基于贝叶斯模型的显著性计算 | 第79-80页 |
4.3.4 多尺度显著图计算 | 第80-81页 |
4.4 基于稀疏采样视觉注意力模型的交通险情检测 | 第81-82页 |
4.5 实验与结果 | 第82-92页 |
4.5.1 实验数据、实验环境和实验评价准则 | 第82-83页 |
4.5.2 实验结果及分析 | 第83-92页 |
4.6 本章小结 | 第92-93页 |
5 基于视觉的驾驶行为建模 | 第93-115页 |
5.1 引言 | 第93-95页 |
5.2 道路环境信息的获取 | 第95-98页 |
5.3 基于概率的驾驶行为建模 | 第98-102页 |
5.3.1 驾驶行为概率模型 | 第98-99页 |
5.3.2 基于稀疏贝叶斯学习法的参数估计 | 第99-102页 |
5.4 基于模糊规则的险情驾驶行为建模 | 第102-108页 |
5.4.1 模糊驾驶规则 | 第103-107页 |
5.4.2 模糊驾驶行为建模 | 第107-108页 |
5.5 实验与结果 | 第108-114页 |
5.6 本章小结 | 第114-115页 |
6 结束语 | 第115-117页 |
6.1 本文工作总结 | 第115-116页 |
6.2 进一步研究工作 | 第116-117页 |
参考文献 | 第117-130页 |
攻读博士学位期间主要的研究成果 | 第130-132页 |
致谢 | 第132页 |