| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究的背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 车方前障碍物检测算法的研究方法 | 第14-15页 |
| 1.4 本文主要研究内容及章节安排 | 第15-19页 |
| 1.4.1 本文主要研究内容 | 第15-16页 |
| 1.4.2 本文章节安排 | 第16-19页 |
| 第2章 图像采集与预处理 | 第19-27页 |
| 2.1 图像灰度化及二值化 | 第19-21页 |
| 2.2 图像滤波 | 第21-22页 |
| 2.3 图像边缘提取 | 第22-23页 |
| 2.4 图像形态学描述 | 第23-24页 |
| 2.5 本章小结 | 第24-27页 |
| 第3章 车辆道路区域检测 | 第27-39页 |
| 3.1 结构化道路线检测 | 第27-31页 |
| 3.1.1 霍夫变换 | 第28-29页 |
| 3.1.2 车道线筛选 | 第29-31页 |
| 3.2 非结构化道路区域分割 | 第31-36页 |
| 3.2.1 纹理特征提取 | 第32-34页 |
| 3.2.2 消失点检测 | 第34-35页 |
| 3.2.3 道路区域分割 | 第35-36页 |
| 3.3 本章小结 | 第36-39页 |
| 第4章 车前方障碍物检测 | 第39-51页 |
| 4.1 障碍物初步定位 | 第39-42页 |
| 4.1.1 ROI区域提取 | 第39-40页 |
| 4.1.2 图像水平与垂直边缘检测 | 第40-41页 |
| 4.1.3 图像熵判定是否存在障碍物 | 第41-42页 |
| 4.2 障碍物精确定位 | 第42-49页 |
| 4.2.1 SIFT特征点提取 | 第42-46页 |
| 4.2.2 基于K均值聚类的目标检测方法 | 第46-49页 |
| 4.3 本章小结 | 第49-51页 |
| 第5章 基于视频图像的障碍物跟踪 | 第51-67页 |
| 5.1 基于加权时空上下文的视觉跟踪算法 | 第51-52页 |
| 5.2 Kalman滤波预测目标位置 | 第52-55页 |
| 5.2.1 Kalman滤波的基本原理 | 第52-54页 |
| 5.2.2 预测障碍物位置 | 第54-55页 |
| 5.3 SIFT特征匹配与Kalman滤波结合的跟踪算法 | 第55-61页 |
| 5.3.1 目标模板建立与更新 | 第56-58页 |
| 5.3.2 目标模板匹配 | 第58-60页 |
| 5.3.3 视频图像检测实验结果 | 第60-61页 |
| 5.4 本章小结 | 第61-67页 |
| 第6章 单目视觉测距 | 第67-75页 |
| 6.1 单帧静态图像的测距模型 | 第67-68页 |
| 6.2 摄像机内外参数标定 | 第68-71页 |
| 6.3 拟合法测距 | 第71-74页 |
| 6.4 本章小结 | 第74-75页 |
| 第7章 总结和展望 | 第75-77页 |
| 7.1 全文总结 | 第75-76页 |
| 7.2 存在的不足和展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 作者简介及科研成果 | 第83-85页 |
| 致谢 | 第85页 |