| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 本文研究的背景和意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 本文研究的目的和意义 | 第11-13页 |
| 1.2 人行横道及预告标识的检测的研究现状 | 第13-16页 |
| 1.2.1 人行横道线识别研究 | 第13-16页 |
| 1.2.2 预告标识的研究 | 第16页 |
| 1.3 本文的主要研究内容 | 第16-18页 |
| 1.4 论文的内容安排 | 第18-19页 |
| 第2章 相关理论知识 | 第19-31页 |
| 2.1 图像的相关理论知识 | 第19-24页 |
| 2.1.1 摄像机成像原理 | 第19-22页 |
| 2.1.2 逆透视变换原理 | 第22-24页 |
| 2.2 典型的特征描述子 | 第24-27页 |
| 2.2.1 HOG特征 | 第24-25页 |
| 2.2.2 类Haar特征 | 第25-27页 |
| 2.3 常用的机器学习分类算法 | 第27-30页 |
| 2.3.1 ELM算法原理 | 第27-29页 |
| 2.3.2 Adaboost算法 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于高亮片段滤波的标线候选区域提取算法 | 第31-45页 |
| 3.1 IPM变换 | 第32-33页 |
| 3.2 基于Start-End Point Finding算法的标线高亮片段滤波 | 第33-36页 |
| 3.2.1 Start-End Point Finding算法 | 第33-35页 |
| 3.2.2 高亮度的Road Marking-Slice提取 | 第35-36页 |
| 3.3 基于先验知识的标线候选区域提取 | 第36-42页 |
| 3.3.1 滑动窗跃变式平移搜索 | 第37-40页 |
| 3.3.2 基于先验知识的候选区域过滤 | 第40-42页 |
| 3.4 实验结果 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 由粗到精的标线候选区域验证法 | 第45-59页 |
| 4.1 基于Adaboost算法的候选区域粗识别 | 第45-46页 |
| 4.2 基于ELM算法的候选区域精识别 | 第46-53页 |
| 4.2.1 HOG特征提取 | 第46-47页 |
| 4.2.2 BW特征选择 | 第47-48页 |
| 4.2.3 ELM分类器设计 | 第48-53页 |
| 4.2.3.1 ELM算法改进 | 第49页 |
| 4.2.3.2 ELM求解方法 | 第49-51页 |
| 4.2.3.3 基于总识别率最大化的交叉验证的ELM分类器 | 第51-53页 |
| 4.3 实验结果 | 第53-58页 |
| 4.3.1 实验数据 | 第53-54页 |
| 4.3.2 不同识别方法的定量比较 | 第54-55页 |
| 4.3.3 不同特征维数对识别结果的影响分析 | 第55-56页 |
| 4.3.4 典型场景的测试结果 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 攻读硕士学位期间发表的论文与获奖情况 | 第67页 |
