基于计算机视觉的前方车辆检测及测距研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 国外研究现状 | 第10-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文的主要工作和组织结构 | 第14-16页 |
| 1.3.1 论文主要工作 | 第15页 |
| 1.3.2 论文组织结构 | 第15-16页 |
| 第2章 相关算法研究 | 第16-21页 |
| 2.1 引言 | 第16页 |
| 2.2 前方车辆检测算法 | 第16-18页 |
| 2.2.1 基于特征的方法 | 第16-17页 |
| 2.2.2 基于运动的方法 | 第17页 |
| 2.2.3 基于模型匹配的方法 | 第17-18页 |
| 2.2.4 基于机器学习的方法 | 第18页 |
| 2.3 前方车辆测距算法 | 第18-20页 |
| 2.3.1 超声波测距 | 第19页 |
| 2.3.2 毫米波雷达测距 | 第19页 |
| 2.3.3 激光测距 | 第19-20页 |
| 2.3.4 计算机视觉测距 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 前方车辆检测 | 第21-39页 |
| 3.1 引言 | 第21页 |
| 3.2 基于GMM算法的背景提取 | 第21-25页 |
| 3.2.1 算法介绍 | 第22-23页 |
| 3.2.2 算法数学原理 | 第23-25页 |
| 3.3 特征提取 | 第25-27页 |
| 3.3.1 Haar-like特征 | 第25-26页 |
| 3.3.2 LBP特征 | 第26-27页 |
| 3.3.3 HOG特征 | 第27页 |
| 3.4 分类器 | 第27-31页 |
| 3.4.0 AdaBoost介绍 | 第28页 |
| 3.4.1 分类器的训练 | 第28-30页 |
| 3.4.2 级联分类器 | 第30-31页 |
| 3.5 实验 | 第31-38页 |
| 3.5.1 GMM背景过滤及ROI | 第31-33页 |
| 3.5.2 样本集的建立 | 第33-34页 |
| 3.5.3 Haar-like特征 | 第34-35页 |
| 3.5.4 训练样本预处理 | 第35页 |
| 3.5.5 分类器训练 | 第35-36页 |
| 3.5.6 实验结果分析 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 前方车辆测距研究 | 第39-51页 |
| 4.1 引言 | 第39页 |
| 4.2 前方车辆测距算法 | 第39-44页 |
| 4.2.1 坐标系 | 第40-41页 |
| 4.2.2 针孔成像模型 | 第41-42页 |
| 4.2.3 摄像机内参数模型 | 第42-43页 |
| 4.2.4 摄像机外参数模型 | 第43页 |
| 4.2.5 视觉投影模型 | 第43-44页 |
| 4.2.6 几何测距模型 | 第44页 |
| 4.3 前方车辆距离测量 | 第44-46页 |
| 4.4 实验 | 第46-50页 |
| 4.4.1 实验流程图 | 第46-47页 |
| 4.4.2 静态车距测量实验 | 第47-48页 |
| 4.4.3 动态车距测量实验 | 第48-49页 |
| 4.4.4 实验结果分析 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 本文工作总结 | 第51页 |
| 5.2 未来工作展望 | 第51-53页 |
| 参考文献 | 第53-59页 |
| 附录1 攻读硕士期间参加的科研项目 | 第59-60页 |
| 致谢 | 第60-61页 |
