| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 课题的提出 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.3 研究目标与内容 | 第18-19页 |
| 1.4 论文结构 | 第19-21页 |
| 第二章 基于运动补偿技术的感兴趣区域提取算法 | 第21-32页 |
| 2.1 算法概述与流程设计 | 第21-23页 |
| 2.1.1 前景物体提取方法 | 第21-22页 |
| 2.1.2 基于运动信息的方法 | 第22页 |
| 2.1.3 算法流程设计 | 第22-23页 |
| 2.2 特征点检测与跟踪 | 第23-26页 |
| 2.3 自运动估计与补偿 | 第26-28页 |
| 2.4 ROI获取 | 第28-30页 |
| 2.5 实验结果与分析 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 基于Adaboost算法的骑行者检测识别 | 第32-57页 |
| 3.1 技术原理及算法流程设计 | 第32-34页 |
| 3.2 聚合通道特征(Aggregated Channel Features) | 第34-40页 |
| 3.2.1 色彩通道特征 | 第35-36页 |
| 3.2.2 HOG特征通道 | 第36-39页 |
| 3.2.3 梯度幅值通道特征 | 第39-40页 |
| 3.3 Adaboost训练算法 | 第40-49页 |
| 3.3.1 训练样本 | 第42-43页 |
| 3.3.2 弱分类器CART | 第43-47页 |
| 3.3.3 级联分类器的构建 | 第47-48页 |
| 3.3.4 分类器测试与分析 | 第48-49页 |
| 3.4 骑行者识别定位 | 第49-56页 |
| 3.4.1 预处理 | 第49-50页 |
| 3.4.2 快速金字塔特征 | 第50-52页 |
| 3.4.3 实验结果与分析 | 第52-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 高速公路弯道识别算法 | 第57-68页 |
| 4.1 技术原理及算法提出 | 第57-58页 |
| 4.2 图像采集与预处理 | 第58-59页 |
| 4.3 边缘检测与二值化 | 第59-62页 |
| 4.3.1 拉普拉斯算子 | 第60页 |
| 4.3.2 Canny算子 | 第60-62页 |
| 4.3.3 二值化 | 第62页 |
| 4.4 车道线提取与弯道识别 | 第62-67页 |
| 4.4.1 车道线提取 | 第62-65页 |
| 4.4.2 弯道识别 | 第65-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第五章 系统软硬件设计与实现 | 第68-80页 |
| 5.1 系统总体分析与硬件设计 | 第68-71页 |
| 5.1.1 系统的硬件架构 | 第69-70页 |
| 5.1.2 系统核心处理器 | 第70-71页 |
| 5.1.3 系统外围模块 | 第71页 |
| 5.2 系统软件设计 | 第71-73页 |
| 5.3 盲区预警算法的嵌入式实现 | 第73-79页 |
| 5.3.1 盲区预警算法的移植 | 第74-78页 |
| 5.3.3 ARM应用程序开发 | 第78-79页 |
| 5.4 本章小结 | 第79-80页 |
| 第六章 结论与展望 | 第80-82页 |
| 6.1 结论 | 第80-81页 |
| 6.2 展望 | 第81-82页 |
| 参考文献 | 第82-88页 |
| 研究生期间完成工作 | 第88页 |