| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 无人车研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 常见的前方车辆检测方法综述 | 第12-14页 |
| 1.3.1 基于模型的车辆检测 | 第12页 |
| 1.3.2 基于帧间差的车辆检测 | 第12-13页 |
| 1.3.3 基于特征的车辆检测 | 第13页 |
| 1.3.4 基于机器学习的车辆检测 | 第13-14页 |
| 1.4 本文的主要研究内容和章节安排 | 第14-15页 |
| 2 基于颜色属性的通用目标检测 | 第15-24页 |
| 2.1 引言 | 第15页 |
| 2.2 基于颜色属性的通用目标检测思想 | 第15-17页 |
| 2.2.1 通用目标检测思想的引入 | 第15-16页 |
| 2.2.2 基于颜色属性的通用目标检测算法流程 | 第16-17页 |
| 2.3 基于颜色属性的通用目标检测实现细节 | 第17-20页 |
| 2.3.1 基于颜色属性的区域划分 | 第17-18页 |
| 2.3.2 区域间相似度计算 | 第18-20页 |
| 2.3.3 区域合并算法 | 第20页 |
| 2.4 实验结果与分析 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 基于AdaBoost算法的前方车辆检测 | 第24-42页 |
| 3.1 引言 | 第24页 |
| 3.2 AdaBoost算法理论 | 第24-26页 |
| 3.3 基于AdaBoost算法的车辆分类器的训练 | 第26-33页 |
| 3.3.1 前方车辆Haar特征提取 | 第26-29页 |
| 3.3.2 构建弱分类器 | 第29-31页 |
| 3.3.3 构建强分类器 | 第31页 |
| 3.3.4 生成级联分类器 | 第31-33页 |
| 3.4 前方车辆算法检测过程 | 第33-36页 |
| 3.4.1 车辆检测的多尺度理论 | 第33-34页 |
| 3.4.2 车辆检测窗口合并策略 | 第34-35页 |
| 3.4.3 车辆检测算法流程 | 第35-36页 |
| 3.5 实验结果与分析 | 第36-41页 |
| 3.6 本章小结 | 第41-42页 |
| 4 基于HOG-PCA和DPM算法的前方车辆检测 | 第42-58页 |
| 4.1 前方车辆HOG特征提取 | 第42-48页 |
| 4.1.1 HOG特征提取 | 第42-46页 |
| 4.1.2 构建HOG特征金字塔 | 第46页 |
| 4.1.3 HOG-PCA特征提取 | 第46-48页 |
| 4.2 DPM模型理论知识 | 第48-51页 |
| 4.2.1 DPM检测模型 | 第48-49页 |
| 4.2.2 DPM检测原理 | 第49-51页 |
| 4.3 构建车辆DPM模型 | 第51-53页 |
| 4.3.1 基于Latent SVM训练车辆DPM模型 | 第51-52页 |
| 4.3.2 车辆DPM检测模型 | 第52-53页 |
| 4.4 实验结果与分析 | 第53-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 无人车实验平台介绍 | 第58-64页 |
| 5.1 引言 | 第58页 |
| 5.2 无人车平台简介 | 第58-59页 |
| 5.3 系统硬件介绍 | 第59-61页 |
| 5.3.1 激光雷达 | 第59页 |
| 5.3.2 惯导及GPS定位系统 | 第59-60页 |
| 5.3.3 二维相机 | 第60-61页 |
| 5.3.4 工业控制计算机 | 第61页 |
| 5.4 软件系统介绍 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 6 总结和展望 | 第64-66页 |
| 6.1 工作总结 | 第64-65页 |
| 6.2 存在的问题 | 第65页 |
| 6.3 工作展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录 | 第70页 |