智能车辆结构化道路目标检测与跟踪
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究的目的和意义 | 第11-12页 |
| 1.2 国内外同类课题研究现状及发展趋势 | 第12-16页 |
| 1.2.1 智能车辆的研究进展 | 第12-14页 |
| 1.2.2 基于视觉的车辆检测与跟踪技术研究进展 | 第14-16页 |
| 1.3 本文的研究内容及论文结构 | 第16-19页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 论文结构 | 第17-19页 |
| 第二章 结构化道路图像预处理技术 | 第19-27页 |
| 2.1 有效区域的选取 | 第19-20页 |
| 2.2 图像灰度化 | 第20-21页 |
| 2.3 图像平滑去噪 | 第21-24页 |
| 2.3.1 领域平均法 | 第21-22页 |
| 2.3.2 中值滤波 | 第22-23页 |
| 2.3.3 高斯滤波 | 第23-24页 |
| 2.3.4 实验结果对比 | 第24页 |
| 2.4 本章小结 | 第24-27页 |
| 第三章 建立路面检测区域 | 第27-35页 |
| 3.1 自适应阈值二值化方法 | 第27-29页 |
| 3.1.1 图像分割的常用方法 | 第27页 |
| 3.1.2 基于最大类间方差法的图像分割 | 第27-29页 |
| 3.2 分窗口的自适应阈值二值化方法 | 第29-30页 |
| 3.3 改进的分窗口划分方法 | 第30-31页 |
| 3.4 建立路面检测区域 | 第31-34页 |
| 3.4.1 筛选车道线 | 第31-33页 |
| 3.4.2 建立路面检测区域 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 基于多特征融合的车辆检测方法 | 第35-55页 |
| 4.1 生成假设车辆 | 第35-42页 |
| 4.1.1 确定车辆阴影区域阈值 | 第36-38页 |
| 4.1.2 生成车辆阴影候选区域 | 第38-39页 |
| 4.1.3 聚类车辆阴影候选区域 | 第39-40页 |
| 4.1.4 剔除路面投射阴影 | 第40-41页 |
| 4.1.5 基于车辆阴影生成假设车辆 | 第41-42页 |
| 4.2 验证假设车辆 | 第42-51页 |
| 4.2.1 车辆多特征分析 | 第42-44页 |
| 4.2.2 车辆多特征信息提取 | 第44-48页 |
| 4.2.3 车辆多特征信息融合判定 | 第48-51页 |
| 4.3 车辆检测实验结果及分析 | 第51-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第五章 基于卡尔曼滤波的车辆跟踪方法 | 第55-65页 |
| 5.1 卡尔曼滤波原理 | 第55-56页 |
| 5.2 基于卡尔曼滤波的车辆跟踪 | 第56-61页 |
| 5.2.1 车辆跟踪模型 | 第56-58页 |
| 5.2.2 车辆跟踪的实现 | 第58-61页 |
| 5.3 车辆跟踪试验结果及分析 | 第61-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 结论 | 第65-67页 |
| 6.1 工作总结 | 第65页 |
| 6.2 研究展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 作者简介 | 第71页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第71-73页 |
| 致谢 | 第73-74页 |
