摘要
ABSTRACT
1 绪论
1.1 引言
1.2 智能车辆技术概述
1.2.1 智能车辆研究目的和意义
1.2.2 智能车辆研究进展
1.2.3 智能车辆研究内容
1.2.4 智能车辆研究关键技术
1.3 智能车辆中的目标检测技术概述
1.3.1 行车信息感知方式
1.3.2 智能车辆中目标检测研究进展
1.3.3 当前不足及改进思考
1.4 课题提出
1.5 本文研究内容及主要创新点
1.5.1 本文研究内容
1.5.2 主要创新点
2 基于机器视觉的目标检测技术模型
2.1 引言
2.2 机器视觉理论模型
2.2.1 计算视觉理论模型
2.2.2 主动视觉理论模型
2.2.3 基于知识的视觉理论模型
2.2.4 一种改进的计算视觉理论模型
2.3 基于视觉的目标检测技术分析
2.3.1 基于视觉的候选目标检测技术
2.3.2 基于视觉的目标确认识别技术
2.3.3 基于视觉的目标跟踪技术
2.4 基于单目视觉的目标检测算法模型
2.5 本章小结
3 基于小波模极大值的候选目标检测
3.1 引言
3.2 目标视觉特征分析
3.2.1 水平/垂直边缘特征
3.2.2 对称性特征
3.2.3 底部阴影特征
3.2.4 颜色特征
3.2.5 外形特征
3.2.6 纹理特征
3.2.7 运动特征
3.3 小波变换及奇异信号检测理论基础
3.3.1 小波变换的基本概念
3.3.2 小波变换多分辨率分析
3.3.3 小波模极大值奇异信号检测理论
3.4 基于小波模极大值的候选目标检测
3.4.1 基于投票机制的特征映射
3.4.2 基于小波模极大值的对称轴检测
3.4.3 基于多特征组合的外接矩形框定
3.4.4 候选目标滤波
3.5 实验及结果分析
3.5.1 典型交通环境下的候选目标检测
3.5.2 算法统计结果分析
3.6 本章小结
4 基于支持向量机的目标分类识别
4.1 引言
4.2 统计学习理论与支持向量机
4.2.1 机器学习的基本问题
4.2.2 统计学习理论
4.2.3 支持向量机
4.2.4 多分类支持向量机
4.3 集成学习
4.3.1 个体生成方法分析
4.3.2 结论生成方法分析
4.4 基于二叉树支持向量机的多类目标识别
4.4.1 本文多类分类策略
4.4.2 基于混合核函数的改进
4.4.3 基于集成学习的改进
4.4.4 多类分类器设计及实现
4.5 实验及结果分析
4.5.1 仿真实验
4.5.2 应用实例
4.6 本章小结
5 基于均值漂移算法的目标跟踪
5.1 引言
5.2 均值漂移算法理论
5.2.1 无参数密度估计
5.2.2 核密度梯度估计过程
5.2.3 算法收敛性分析
5.3 基于 Mean Shift 的智能车辆目标跟踪算法
5.3.1 前方障碍物目标描述
5.3.2 基于Bhattacharyya 系数的相似性度量
5.3.3 前方障碍物目标定位
5.3.4 跟踪起始点的运动估计
5.3.5 目标遮挡情况的处理
5.3.6 目标模型更新机制
5.3.7 完整的目标跟踪算法流程
5.4 实验及结果分析
5.4.1 简单交通场景中的目标跟踪
5.4.2 复杂交通场景中的目标跟踪
5.5 本章小结
6 总结与展望
6.1 总结
6.2 后续工作展望
致谢
参考文献
附录