基于单目视觉的机动车道路检测和跟踪研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 专业词汇表 | 第10-12页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 选题的背景和意义 | 第12-16页 |
| 1.2 基于视觉的道路检测技术 | 第16-18页 |
| 1.3 基于视觉的道路跟踪技术 | 第18-19页 |
| 1.4 本文的内容安排及主要创新点 | 第19-24页 |
| 第二章 道路结构信息的恢复 | 第24-36页 |
| 2.1 道路边界的描述 | 第25-26页 |
| 2.2 摄像机投影模型 | 第26-27页 |
| 2.3 逆透视映射用于道路结构信息恢复 | 第27-31页 |
| 2.3.1 单应性变换模型 | 第28-29页 |
| 2.3.2 单应性矩阵的估计 | 第29-31页 |
| 2.4 灭点检测算法 | 第31-35页 |
| 2.4.1 基于LSD的直线段检测算法 | 第32-34页 |
| 2.4.2 基于EM的灭点检测算法 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于区域分割的道路检测 | 第36-53页 |
| 3.1 使用图切割进行图像分割 | 第37-41页 |
| 3.1.1 图像分割的图切割表示 | 第37-39页 |
| 3.1.2 能量函数最小化分割算法 | 第39-41页 |
| 3.2 GrabCut算法 | 第41-44页 |
| 3.2.1 高斯混合模型 | 第42页 |
| 3.2.2 GrabCut算法的初始化 | 第42-44页 |
| 3.3 道路区域形状约束 | 第44-50页 |
| 3.3.1 自适应均值漂移算法 | 第46-48页 |
| 3.3.2 基于GrabCut的道路区域分割 | 第48-50页 |
| 3.4 实验结果 | 第50-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第四章 基于TLD框架的结构化道路检测和跟踪 | 第53-80页 |
| 4.1 基于机器学习的道路标志线检测 | 第55-66页 |
| 4.1.1 道路标志线的特征选取 | 第56-61页 |
| 4.1.2 分类器的选择以及参数的选取 | 第61-66页 |
| 4.2 基于TLD框架的道路检测和跟踪 | 第66-76页 |
| 4.2.1 TLD检测和跟踪框架 | 第67-68页 |
| 4.2.2 道路标志线的对称性约束 | 第68-69页 |
| 4.2.3 道路标志线的宽度约束 | 第69-72页 |
| 4.2.4 道路标志线的颜色建模 | 第72-74页 |
| 4.2.5 道路的检测和跟踪 | 第74-76页 |
| 4.3 实验结果 | 第76-78页 |
| 4.4 本章小结 | 第78-80页 |
| 第五章 基于平行主动轮廓模型的道路检测和跟踪 | 第80-119页 |
| 5.1 基于平行开环主动轮廓模型的道路检测 | 第82-98页 |
| 5.1.1 经典主动轮廓模型 | 第82-84页 |
| 5.1.2 能量函数的最小解 | 第84-90页 |
| 5.1.3 平行抛物线道路模型 | 第90-92页 |
| 5.1.4 开环主动轮廓模型的首尾约束 | 第92-94页 |
| 5.1.5 平行主动轮廓模型和扩张力 | 第94-98页 |
| 5.2 基于卡尔曼滤波器的道路跟踪算法 | 第98-110页 |
| 5.2.1 道路跟踪模型 | 第98-99页 |
| 5.2.2 最佳线性无偏估计 | 第99-100页 |
| 5.2.3 卡尔曼滤波器原理 | 第100-103页 |
| 5.2.4 道路参数预测 | 第103-110页 |
| 5.3 实验结果 | 第110-115页 |
| 5.4 本章小结 | 第115-119页 |
| 第六章 总结和展望 | 第119-123页 |
| 6.1 本文主要工作及创新点 | 第119-121页 |
| 6.2 未来工作展望 | 第121-123页 |
| 参考文献 | 第123-138页 |
| 致谢 | 第138-139页 |
| 攻读学位期间发表的学术论文目录 | 第139-142页 |
