高速公路车道检测方法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.1.1 智能交通系统发展现状 | 第9页 |
| 1.1.2 智能汽车的发展现状 | 第9-11页 |
| 1.2 车道检测问题及传感器的使用 | 第11-16页 |
| 1.2.1 车道检测问题 | 第11-13页 |
| 1.2.2 传感器的使用 | 第13-15页 |
| 1.2.3 高速公路介绍 | 第15-16页 |
| 1.3 视觉车道检测国内外研究现状 | 第16-18页 |
| 1.3.1 自底向上的检测方法 | 第16-17页 |
| 1.3.2 自顶向下的检测方法 | 第17-18页 |
| 1.3.3 存在的问题 | 第18页 |
| 1.4 本文的主要内容和组织结构 | 第18-21页 |
| 第2章 视觉车道检测方法研究 | 第21-33页 |
| 2.1 视觉车道检测步骤 | 第21-22页 |
| 2.2 图像预处理 | 第22-24页 |
| 2.2.1 彩色图像灰度化 | 第22-23页 |
| 2.2.2 图像平滑 | 第23页 |
| 2.2.3 逆透视变换 | 第23-24页 |
| 2.3 车道特征提取 | 第24-25页 |
| 2.3.1 颜色特征 | 第24页 |
| 2.3.2 边缘特征 | 第24-25页 |
| 2.4 车道模型拟合 | 第25-29页 |
| 2.4.1 最小二乘法拟合直线 | 第25-27页 |
| 2.4.2 标准霍夫变换拟合直线 | 第27-29页 |
| 2.5 车道跟踪方法 | 第29-31页 |
| 2.5.1 卡尔曼滤波器的跟踪方法 | 第29-30页 |
| 2.5.2 粒子滤波器的跟踪方法 | 第30-31页 |
| 2.6 本章小结 | 第31-33页 |
| 第3章 基于梯度增强的车道检测方法 | 第33-47页 |
| 3.1 图像梯度分析 | 第33-35页 |
| 3.1.1 彩色图像的获取方式 | 第33-34页 |
| 3.1.2 彩色图像的灰度化 | 第34页 |
| 3.1.3 图像梯度定义 | 第34-35页 |
| 3.2 梯度增强方法的提出 | 第35-37页 |
| 3.2.1 线性判别式分析法的引入 | 第35页 |
| 3.2.2 线性判别式分析法原理 | 第35-37页 |
| 3.3 梯度增强算法过程 | 第37-40页 |
| 3.3.1 梯度增强向量的计算过程 | 第38页 |
| 3.3.2 自适应Canny边缘检测 | 第38-39页 |
| 3.3.3 标准霍夫变换实现车道检测 | 第39-40页 |
| 3.3.4 训练数据的更新 | 第40页 |
| 3.4 实验结果及分析 | 第40-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 基于梯度约束的统计霍夫变换车道检测方法 | 第47-61页 |
| 4.1 标准霍夫变换优缺点分析 | 第47-48页 |
| 4.2 统计霍夫变换 | 第48-52页 |
| 4.2.1 不同观测空间的概率密度函数 | 第48-50页 |
| 4.2.2 核函数的选择和带宽 | 第50-51页 |
| 4.2.3 统计霍夫变换在车道检测中的应用 | 第51-52页 |
| 4.3 车道检测过程 | 第52-55页 |
| 4.3.1 逆透视变换 | 第53-54页 |
| 4.3.2 梯度阈值的确定 | 第54-55页 |
| 4.3.3 构建直方图 | 第55页 |
| 4.4 车道跟踪过程 | 第55-57页 |
| 4.5 实验结果及分析 | 第57-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第5章 基于路面实况信息的车道检测系统评估方法 | 第61-69页 |
| 5.1 概述 | 第61页 |
| 5.2 基于路面实况信息的误差函数的获取 | 第61-66页 |
| 5.2.1 过程 | 第62-65页 |
| 5.2.2 误差函数的定义 | 第65页 |
| 5.2.3 标准误差函数 | 第65-66页 |
| 5.3 统一的测试数据 | 第66-67页 |
| 5.4 本章小结 | 第67-69页 |
| 第6章 结论 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-78页 |
| 攻读学位期间的研究成果 | 第78页 |
