一、利用图像中的消失点描述平面直线关系（论文文献综述）
蒋倩男[1]（2021）在《面向智能驾驶辅助系统的视觉感知关键技术研究》文中提出智能驾驶辅助系统（Advanced Driving Assistance System,ADAS）可以减少交通事故、降低人员伤害并提高驾驶舒适性,因此,ADAS相关技术的研究具有非常重要的意义。由于机器视觉能够获取丰富的信息且成本较低,使得基于视觉的感知技术被广泛应用于ADAS。本论文将视觉感知技术中与外部道路环境检测以及内部驾驶员状态监测相关的关键技术作为研究对象,研究并提出了基于机器视觉技术的解决方法,为ADAS的设计和开发提供了理论依据和技术支持。基于视觉的外部道路环境检测是指依据图像中的信息判断前方道路是否为可行驶区域,并能够在可行驶区域内准确检测出结构化道路中的车道线。一方面,由于道路图像容易受到不利视觉条件的影响,导致图像中的目标变得模糊、不可见,因此,在进行道路和检测之前需要对图像进行增强。另一方面,由于道路的环境和种类较复杂,检测算法很难同时兼顾准确率和时效性。基于视觉的内部驾驶员状态监测是指利用图像中驾驶员特征检测驾驶员的疲劳等级。由于光照、背景、拍摄角度以及驾驶员的特征等是随机变化的,且驾驶员的疲劳程度还会受到时间因素的影响,进而使得疲劳检测算法的鲁棒性不理想。针对上述问题,本文对视觉感知技术中不利视觉条件下道路图像增强、可行驶道路区域检测、车道线识别以及驾驶员疲劳监测四个关键技术展开深入研究。论文主要研究内容以及创新点主要包括以下四点:（1）提出了一种新的不利视觉条件下动态道路图像增强方法。首先,利用待处理图像中灰度特征和清晰度特征对不同不利视觉条件下的道路图像进行分类;然后,依据分类结果为不同不利视觉条件下的道路图像选择合适的增强算法,并基于图像特征动态调整增强算法的参数,进而使得该方法在保证时效性的同时,对不同不利视觉条件下的图像增强问题具有很强的适应性。（2）提出了基于卷积神经网络（Convolutional Neural Networks,CNN）和Gibbs能量函数的实时非结构化道路可行驶区域检测方法。首先,为提高第一帧检测的鲁棒性,基于改进的随机一致性采样（Random Sample Consensus,RANSAC）算法估计图像中不同区域的单应矩阵H,并将H作为CNN的输入对其进行训练,进而实现可行驶道路区域检测;其次,为提高后续相似帧检测的速率,从第一帧图像的检测结果中提取道路的颜色以及纹理特征,并基于二元分裂算法构建相应的高斯混合模型,然后利用Gibbs能量函数实现后续帧的道路检测。该方法克服了由于道路表面特征、结构特征不确定而导致的鲁棒性差的问题以及由于模型复杂、计算复杂度高而造成的时效性差的问题。（3）提出了一种新的基于特征与模型相结合的车道线检测方法。首先利用不变性特征:灰度特征以及形态特征,从可行驶区域内快速检测出车道线待选区域,并通过改进的概率霍夫变换算法（Progressive Probabilistic Hough,PPHT）获取车道线参数,依据车道线参数从车道线待选区域筛选出车道线区域。该方法不仅解决了基于模型检测中要求车道线结构与预设模型一致性问题、基于特征检测中实际车道线特征不稳定问题,而且对不同环境下（不利视觉条件、树荫以及脏污等）的结构化道路具有较强的适应性,且检测的准确率较高。（4）提出了基于CNN和长短期记忆网络（Long Short-Term Memory,LSTM）的驾驶员疲劳状态实时检测方法。首先,利用简单线性聚类算法（Simple Linear Clustering algorithm,SLIC）将图像分割成大小均匀的超像素,并将超像素作为CNN的输入,然后利用训练好的CNN获取眼部以及嘴部区域的位置和面积。在此基础上,提取眼部特征参数Perclos、嘴部特征参数MClosed、头部朝向特征参数Phdown,并将连续时间序列上的上述特征参数以及方向盘转角特征参数SA作为LSTM的输入,疲劳度等级作为输出,实时检测驾驶员的疲劳状态。该方法能够克服光照、背景、角度以及个体差异的影响,准确、快速地检测出驾驶员的面部、眼部以及嘴部等区域,并综合考虑了时间累积效应对疲劳的影响,进而使得最终检测准确率得到大幅提升。
马辉[2]（2020）在《基于巡检车视觉的半动态目标在语义地图中的更新方法研究》文中进行了进一步梳理伴随着我国经济的快速发展,人民的生活水平也不断的得到提升,于此同时生活用品的过剩而致使的违规占用消防安全通道情况层出不穷,在发生紧急情况后,由此而导致不必要的人员伤亡及经济财产损失更是屡见不鲜。因此对消防通道的违规占用情况做及时检测是相当有必要的。然而,当前的安全检查以相关工作人员实地调查为主,这样不仅费时、费力,也可能会因人为因素而存在缺查、漏查的情况。在这种需求的情况下,结合当前日趋成熟的无人车视觉技术与环境中的丰富的语义信息,来实现对消防安全通道违规占用的检测成为了一个行之有效的方法。本文针对消防安全通道的违规占用问题,本文以走廊通道中的门框结构作为静态目标,以具有箱型结构的物体作为半动态目标。通过对研究场景理解、目标的检测与定位及地图更新相关领域的研究现状的基础上,以场景理解为核心,对目标检测、目标定位及地图更新展开研究。以此提出了一种基于场景理解的半动态目标在语义地图中的更新方法。本文的主要工作和成果如下:1.提出一种基于灭点检测的场景理解方法。通过分析灭点与在灭点检测过程中得到的水平、垂直及纵深方向的三个直线组之间的关系,得到了走廊通道的特征线。以此特征线为标准划分相应的感兴趣区域,在感兴趣区域,根据空间约束关系（如物体由地板支撑,不能穿透墙壁）剔除了除静态目标及半动态目标之外的冗余特征线,并以此实现了对半动态目标及静态参考目标的特征描述。实验表明,本方法可以实现对半动态目标及静态目标的特征提取。2.为了能够得到半动态目标的物理尺寸参数,提出了一种基于交比不变性与参照信息的目标立体几何参数提取算法。通过研究射影变换的交比不变特性可实现二维平面的几何信息发提取,在本文中将其推广到三维立体几何当中,通过在相互垂直的两个平面上提取相应目标的交比信息,在已知参照参数的情况下可以通过交比得到该目标的几何参数。通过实验表明,在摄像机内参未知的情况下,通过参照物的几何参数,仍然可以得到特定目标的几何参数,测量精度在92%以上。3.为实现半动态目标的定位及更新,本文在上述研究的基础上,结合手动创建的静态语义信息库的静态参考目标的信息参数,提出一种基于场景理解的半动态目标在语义地图中的更新方法。通过实验表明,半动态目标的定位精度在8cm之内,本文使用到的栅格地图中每个栅格描述的是实际场景中100×100mm的区域,因此该误差对于栅格地图里描述的各类目标准确性的影响不是很大,本算法基本达到将半动态目标在地图中的更新表达目的。
苏航[3]（2020）在《基于单目摄像头标定技术的目标定位系统的研究》文中认为定位技术是物流运输、自动驾驶、物联网等领域的关键技术。而在一些场景下,GPS等卫星定位技术效果较差,需要其他定位技术进行辅助。目前,图像处理技术高速发展,基于计算机视觉的定位技术由于相比于其他传统定位技术拥有稳定性高、铺设成本低、使用范围广等优点受到越来越多的关注,成为定位技术的重点研究方向。摄像机标定技术是视觉定位中的关键技术,但是目前的摄像机标定方法都具有一定的局限性:传统的摄像机标定算法依赖标定板才能完成标定,摄像机自标定方法则需要特定的标志物或者需要约束目标沿直线行驶。针对这些问题,本文对现有的行人追踪算法进行了改进,并提出了基于车辆和行人两种摄像机自标定方法。本文的主要研究内容和创新成果如下:（1）提出了一种基于车辆三维建模和关键点检测的消失点估计方法。首先使用Deep MANTA网络对图片中的车辆目标进行检测并结合车辆3D模板数据库进行车辆三维建模。之后根据车辆三维模型估计消失点,并运用随机抽样一致算法和均值聚类漂移算法进行异常值和噪声的处理以提高消失点估计的准确性,进而完成摄像机标定。（2）提出了一种融合外观特征和运动特征的行人追踪策略,并在此基础上提出了一种基于行人追踪的摄像机标定技术。首先使用YOLO检测器从图片中检测出行人目标并提取目标的深度特征。接下来将包含目标位置和速度的运动特征与融合了颜色和深度信息的外观特征联合起来,用于前后帧相同目标的匹配,完成目标的追踪。根据行人目标高度不变这一条件进行消失点估计,并利用均值漂移聚类算法和随机抽样一致算法进行噪声和异常值的处理,最终完成摄像机的标定。（3）提出了一种基于最小重投影误差的摄像机参数优化方法。为了解除摄像机标定过程中对参数的限制,本文放宽了参数的范围,引入了分布估计算法,利用迭代的方法筛选出重投影误差最小的参数组合,以提高摄像机标定的精确度。在不同数据集上的测试结果证实了相较于现有的摄像机自动标定方法,本文提出的两种相机标定方法具有更高的准确性、鲁棒性和普适性。
李熠[4]（2020）在《基于全景图像的室内三维重建算法研究》文中指出室内场景三维重建是计算机视觉领域中的重要研究课题。快速、低成本、精确的室内场景三维重建在虚拟现实、增强现实、室内定位、机器人导航等方面有着广泛的应用。室内场景三维重建的目的是通过获取场景的深度信息来理解场景三维几何关系,重建场景三维空间结构。当前的深度估计与场景重建算法要么依赖昂贵的深度采集设备,要么算法复杂,计算时间长,增加了三维场景重建技术的应用门槛。针对现有三维场景重建技术的局限性,本文对基于全景图像的室内三维重建问题进行了研究,主要工作如下:1.结合室内场景的结构特性与全景图像的投影关系,提出了一种基于单幅全景图像的室内场景三维重建算法,从全景图像中快速地恢复出室内场景的三维布局模型。首先,利用室内场景满足曼哈顿世界假设这一特性,通过提取图像中的线段信息,结合约束条件来获取室内场景的轮廓线段。其次,针对室内场景中物体遮挡地面轮廓线段的问题,结合全景图像的投影关系与室内场景布局的上下对称性,由天花板区域轮廓线段映射地面区域轮廓线段。最后,通过全景图像中的区域轮廓线段来实现全景图像的区域分割,生成布局假设;利用全景图像的投影关系,将墙面、天花板、地面区域像素点转换为三维点云,重建室内场景的布局模型。实验结果表明,本文所提出的重建算法能通过单幅全景图像重建室内场景的布局模型,数据获取容易,运行时间短,有着不错的便捷性。2.为了解决大型场景中存在多个房间,完整的布局模型需要将每个房间布局模型进行拼接的问题,本文提出了一种结合手机传感器数据来进行模型拼接的方法。通过手机传感器数据来实现室内定位,获取全景相机移动时的姿态数据,通过行人航位推算来计算不同拍摄视点之间的平移矩阵与旋转矩阵,实现同一场景下不同房间布局模型的自动拼接,提高重建算法的适用性。实验结果表明,该方法能够实现布局模型的自动拼接,进一步提高了重建算法的便捷性与实用性。
李志明[5]（2020）在《RGB图像的主平面检测算法》文中研究说明针对不含深度信息的单幅RGB图像,提出一种新颖的主平面检测算法。首先利用图像分割技术将图像主体部分提取出来,并检测出该部分区域的轮廓;然后将轮廓拟合成多边形,从多边形的顶点中找到三平面的交点,从而找出平面间的分界线,得到一个粗糙的平面边界;最后利用图像中的边缘信息优化平面边界。
韩冰心[6]（2019）在《基于混合特征的机器人视觉里程计技术研究》文中研究说明准确的位姿估计是机器人自主导航的重要前提。随着机器人应用日益广泛,人们对位姿估计的精度和鲁棒性的要求愈来愈高。针对符合曼哈顿世界假设的人造环境,本文利用不同视觉特征的优势互补性和场景的结构规律,研究以局部视觉特征点和消失点作为混合特征的的机器人视觉里程计（Visual odometry,VO）。首先,本文采用非线性优化改进了基于随机采样一致性（Random Sample Consensus,RANSAC）的消失点估计算法。精确的消失点估计是后续使用该信息的重要基础。对基于RANSAC的消失点估计算法进行深入研究后,复用其直线分类时使用的误差度量构建非线性最小二乘模型,使用高斯-牛顿法迭代优化。针对有先验信息约束情况,建立带约束的最小二乘优化模型,采用拉格朗日乘子法进行优化,得到了更精确的消失点估计。其次,利用消失点引入全局约束,提出基于消失点辅助的单目视觉里程计。消失点作为全局信息,可表征世界坐标系与相机坐标系间的变换关系。该算法以基于局部特征点的单目VO位姿估计结果为初值,将初始化阶段得到的世界消失点变换到当前相机坐标系下,利用与当前图像中的对应到三正交消失方向的直线构建投影残差模型,最终得到基于四元数的非线性最小二乘优化问题,采用非线性优化方法对位姿进行优化。最后,提出将基于局部特征点的重投影残差和消失点对应的投影残差相结合,在混合残差优化框架下统一为混合残差,进而在极大似然概率模型下将位姿估计建模为基于李代数位姿的非线性最小二乘优化问题。利用图优化方法对位姿估计进行联合优化,最终得到基于混合特征紧耦合融合的单目视觉里程计。为验证提出消失点估计改进算法的有效性,分别在公共数据集和自行设计的仿真数据集上进行实验,得到了精度更高的消失点估计结果。为验证基于消失点辅助和基于混合特征紧耦合融合的单目视觉里程计算法的有效性,本文基于EuRoc MAV数据集以及室外手持实验进行了与单目ORB-SLAM的对比,验证了两算法的有效性。
张驰[7]（2019）在《基于机器视觉的调车机车辅助驾驶的研究》文中指出近年来,轨道交通行业发展迅速,而调车机车的作业场景开放复杂,司机控制工作量大,存在诸多安全隐患,有着辅助驾驶的需求。本文从调车机车驾驶的实际需求出发,针对作业过程中存在的侵限安全和驾驶控制两大关键问题,基于机器视觉技术展开研究,主要内容如下:（1）提出调车机车监控视频预处理算法,实现了雾天、夜晚和雨天多种恶劣环境的图像增强。雾天中,先将Retinex算法的中心环绕高斯滤波修改为双边滤波,去除噪声的同时,保证边缘信息完整性,以此获得对数域的增强结果;再采用Sigmoid函数对其进行处理,降低运算量,还原真实颜色。夜晚中,基于HSV颜色空间,获取光源位置,保留颜色信息,并减小光源区域对周边的干扰;所得到的图像反色后采用暗通道先验算法进行类雾天增强;再结合白天对应图像的Lab直方图信息改善偏色现象。雨天中,采用分数阶傅里叶变换处理图像,得到方向频谱能量曲线,提取雨痕方向,以此旋转图像将高频信息中非雨痕边缘滤除,并提高横向周边像素权重,得到雨天增强图像。文中不同环境下增强图像的视觉效果和客观评价指标表明,新提出的算法提高了图像对比度,更好的还原了色彩信息,为司机和后续计算提供了清晰图像。（2）提出一种基于最亮点区域增长的铁轨区域提取算法,结合铁轨历史方向趋势曲线,得到调车机车行人侵限的危险区域。基于坐标系转换建立图像中像素高度与距离间的关系模型;再将图像消失点以下的部分按比例划分为近距离和远距离区域;近距离区域中采用渐进概率Hough变换来检测直线铁轨,远距离区域中使用最亮点区域生长算法提取直线或者曲线铁轨;最终使用历史方向曲线提高远距离区域铁轨和道岔检测精度。采用新算法对不同条件下实际采集的铁轨区域视频图像进行处理,与现有技术相比,该算法能更为准确、快速、有效地检测铁轨区域。（3）提出了可见光和红外融合的行人侵限检测算法。可见光图像中,针对远距离缺失信息问题,提出基于改进卷积神经网络的行人侵限检测算法。该算法以浅层的边缘特征结合灰度图像作为卷积神经网络的输入,并将交叉熵与学习率结合,提高训练速度。红外图像中,使用改进的图像显着性检测算法提取出红外的关键区域;应用质心重定位的滑窗算法快速定位高亮区域;再采用Zernike矩判断图像的对称性和与行人特征的相似性;最终使用可见光卷积神经网络模型做最终的判定。基于消失点、轨道线和Harris角点的位置对可见光图像和红外图像进行配准。文中采用通用行人数据集和铁轨区域行人数据集验证了提出的算法,该算法能够有效提升铁轨区域远距离行人侵限检测的准确率。（4）提出了一套基于双目视觉的优化装货控制方案,采用分数阶PIλDμ跟随速度曲线,提升调车机车作业效率。在分析调车机车低恒速装货作业系统特点基础上,提出使用光流法判断低恒速作业状态,以双目视觉三维重建算法分析堆料分布,得到优化速度指导曲线;再参考内燃机车牵引特性建立简化调车机车的运动模型;最后使用遗传算法整定分数阶PIλDμ控制器参数,并使用该控制器跟随速度。新方案将司机从频繁的档位控制中解放出来,基于双目视觉调控调车机车速度的方法节省了装货中的平料操作,提升了调车机车作业效率和准确性;所采用的分数阶PIλDμ优于传统算法,实现了更优的速度跟随和稳定性。
王宇[8]（2019）在《城市违章建筑定点监控自动识别技术研究》文中研究表明我国执行最严格的土地管理制度,及早发现和及时查处土地违法占用对于保障国家粮食安全、维护社会安定至关重要。针对我国城市违章建筑物监管智能化程度低的现实问题,本文致力于研究基于定点监控新旧时相对比的城市违章建筑物自动识别关键技术,主要研究内容如下:（1）研究了一种融合Hu矩和相似性度量的抗干扰变化检测算法。通过分析违章建筑物在新旧时相中纹理各向异性的特征,采用形状算子变化去除干扰并提取违章建筑物纹理信息确立了联合OTSU的变化阈值,并建立了融合Hu矩和标准化差值平方和匹配进行纹理信息匹配的差异性评价检测方法。实验表明,该变化检测算法具有高鲁棒性,可有效减少光照因素对变化检测的干扰,且正确率达到了96.1%。（2）研究了一种结合深度学习和多特征违章建筑物自动识别算法。通过违章建筑物的轮廓拓扑特征、颜色信息、空间约束关系及其形成的消失点坐标分布特征进行检测,结合深度学习框架下的车辆检测消除常见干扰因素。并设计了实验来评估算法,实验结果表明该算法对多类型违章建筑物识别的召回率达到98.5%,精确率达到了95.1%。（3）提出了一种融合预置点布设与单目测距的城市违章建筑物定位算法。针对定点CCD相机发现可疑用地后自动定位违建的问题,研究了监控范围内预置点的布设方案,实现对定点CCD相机所在位置区域预置点的高分辨率最优布设;同时利用违章建筑物自动识别结果的道路深度信息,实现违章建筑物20m误差范围内的自动定位,并通过实验验证本算法的有效性。基于上述算法,采用C++开发出一套适用于Windows的安顺市违章建筑物自动识别的监控系统,并且设计实验验证了上述算法的有效性。该系统相比人工检测有更高的精度,目前已成为当地城管执法部门的日常工作工具。
王顺成[9]（2019）在《利用球像的对拓关系标定抛物折反射摄像机》文中进行了进一步梳理计算机视觉研究中通过反射镜面和普通摄像机的组合构建折反射成像系统来增大成像视野,应用折反射系统的基础为系统参数的估计,即折反射摄像机的标定.合理准确的标定方法直接影响系统应用结果,鉴于球投影保持良好的几何特征,使得基于球投影成像的标定方法研究更普遍.本文在研究中心折反射摄像机成像模型基础上,通过球投影的对拓关系提出两种标定抛物折反射摄像机的方法:一种是利用正交消失点标定,另一种是利用圆环点的像标定.文章具体内容如下:1.利用正交消失点的标定:单位球投影模型下,利用球投影的对拓关系,由公共自极三角形知识获得平行对拓小圆在图像平面上形成的自极三角形的公共极点和极线,根据极点与圆像的位置关系判断出极点中包含的消失点·,极线与球像和对拓球像的交点位于单位球表面,并且在单位球圆心构成大圆的像上,由交比调和性求解出图像上公共极线方向的消失点;根据共轭直径证明公共自极三角形中的消失点与公共极线方向上的消失点正交,由此得到正交消失点.2.利用圆环点的像标定:单位球投影模型下,任意两对对拓点都可以构成一个包含大圆的平面,利用交比调和性得到每对对拓点对应的无穷远点,由无穷远点构造出无穷远直线;根据无穷远直线所在平面圆上的两对对拓点计算出平行方向的无穷远点,再利用交比调和性和对拓关系计算出圆上其它点,通过最小二乘法拟合获得圆像方程;最后通过无穷远直线的像与圆像关系得到圆环点的像.3.基于Matlab 2016a平台完成算法的仿真实验和真实实验来验证本文算法的鲁棒性和可行性.
韩宜轩[10]（2019）在《基于车辆视觉环境的车道线检测与可行驶区域车辆检测研究》文中研究指明随着智能交通系统的发展、图像视觉传感器成本的降低与拍摄精度的提高,以实际道路交通图像为处理对象的自动驾驶和辅助驾驶系统的发展也越来越迅猛。车道线与车辆检测技术作为自动驾驶和辅助驾驶系统的关键技术,也成为国内外学者与企业的研究热点。目前车道线与车辆检测算法有很多,并且还在不断优化。由于交通场景的复杂性,不同的天气条件和道路表面阴影都使得车道线的提取变得困难,车辆检测的准确性也会受到交通场景中车辆的多样性和光照环境的多变性的影响。针对以上问题,本文对车道线检测与车辆检测两个关键技术展开了研究。本文提出了一种光照不变条件下的车道线检测算法。该算法首先利用纹理特征,通过局部投票算法提取道路图像消失点,获得车道线检测的感兴趣区域;然后基于相机感光函数与物体表面反射特征,通过色度空间变换获得感兴趣区域的光照不变灰度图;最后利用道路图像中车道线的特点对光照不变灰度图中车道线检测的目标区域进行提取,通过基于极角约束的霍夫变换对目标区域内车道线的检测,获得车道线检测结果。考虑到车辆可行驶区域内的其他汽车是该车辆行驶过程中主要的安全威胁之一,本文在车道线检测的基础上提出了一种车辆可行驶区域内的车辆检测算法。该算法首先利用任何光照条件下车底阴影都暗于道路其它区域的特征,通过梯度强度阈值对道路图像垂直梯度强度图中的车辆阴影进行初步的提取;然后利用车辆宽度通过形态学的方法对垂直梯度强度图中的车辆阴影进行进一步的筛选;最后利用车道线检测结果得到车辆可行驶区域,通过阈值法实现对车辆可行驶区域内车辆的检测。本文将所提出的车道线检测与车辆检测算法在数据集Alvarez dataset、iROADS dataset和实际拍摄的道路图像数据集上进行测试实验,数据集中包含不同天气与光照条件下所拍摄的实际交通场景图像。实验结果表明:本文所提出的车道线和车辆检测算法在不同天气、不同光照条件下检测结果的准确率较高,并且具有良好的鲁棒性,解决了由于光照条件变化和道路表面阴影造成的车道线识别率不高的问题,避免了交通场景中车辆的多样性和光照环境的多变性对车辆检测准确率的影响。
二、利用图像中的消失点描述平面直线关系（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、利用图像中的消失点描述平面直线关系（论文提纲范文）
（1）面向智能驾驶辅助系统的视觉感知关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外相关领域研究现状 |
| 1.2.1 基于机器视觉的ADAS国内外研究现状 |
| 1.2.2 视觉感知技术体系国内外研究现状 |
| 1.3 本文的研究内容以及创新点 |
| 1.4 本文的组织结构 |
| 1.5 本章小结 |
| 第二章 视觉感知关键技术分析 |
| 2.1 引言 |
| 2.2 不利视觉条件下道路图像增强技术 |
| 2.2.1 雾天低可见度图像增强 |
| 2.2.2 夜晚低对比度图像增强 |
| 2.3 可行驶道路区域检测技术 |
| 2.3.1 结构化道路可行驶区域检测 |
| 2.3.2 非结构化道路可行驶区域检测 |
| 2.4 车道线识别技术 |
| 2.4.1 基于模型的车道线识别 |
| 2.4.2 基于特征的车道线识别 |
| 2.4.3 基于深度学习的车道线识别 |
| 2.5 驾驶员疲劳检测技术 |
| 2.5.1 基于驾驶员生理信号的疲劳检测 |
| 2.5.2 基于车辆状态的疲劳检测 |
| 2.5.3 基于驾驶员特征的疲劳检测 |
| 2.6 本章小结 |
| 第三章 不利视觉条件下动态道路图像增强技术 |
| 3.1 引言 |
| 3.2 不同不利视觉条件下图像分类 |
| 3.2.1 不同不利视觉条件下的图像特征分析 |
| 3.2.2 待处理图像区域划分 |
| 3.2.3 C区域的灰度特征分析 |
| 3.2.4 区分白天和夜晚 |
| 3.2.5 构建图像清晰度评价模型 |
| 3.2.6 不同视觉条件下图像分类 |
| 3.3 图像增强 |
| 3.3.1 夜晚图像增强算法 |
| 3.3.2 白雾天图像增强算法 |
| 3.3.3 夜雾天图像增强算法 |
| 3.4 图像增强算法实验 |
| 3.4.1 实验数据集 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 非结构化道路可行驶区域实时检测技术 |
| 4.1 引言 |
| 4.2 基于平面单应性以及CNN的道路可行驶区域检测 |
| 4.2.1 立体视觉平面单应性 |
| 4.2.2 基于改进RANSAC算法估计单应矩阵 |
| 4.2.3 基于CNN的道路可行驶区域检测 |
| 4.3 基于颜色以及纹理特征的道路可行驶区域检测 |
| 4.3.1 构建颜色GMMs模型 |
| 4.3.2 构建纹理GMMs模型 |
| 4.3.3 基于Gibbs能量函数的道路可行驶区域检测 |
| 4.3.4 GMMs模型的更新策略 |
| 4.4 实时非结构化道路可行驶区域检测算法实验 |
| 4.4.1 实验数据集 |
| 4.4.2 参数设置与网络结构设计 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 车道线实时检测技术 |
| 5.1 引言 |
| 5.2 车道线区域检测 |
| 5.3 获取车道线参数 |
| 5.4 车道线检测算法实验 |
| 5.4.1 实验数据集 |
| 5.4.2 参数设置 |
| 5.4.3 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 驾驶员疲劳状态实时检测技术 |
| 6.1 引言 |
| 6.2 基于SLIC的超像素分割 |
| 6.3 基于CNN获取眼部以及嘴部区域 |
| 6.3.1 CNN的结构 |
| 6.3.2 CNN的求解 |
| 6.4 特征参数提取 |
| 6.4.1 眼部特征参数 |
| 6.4.2 嘴部特征参数 |
| 6.4.3 面部朝向特征参数 |
| 6.4.4 方向盘特征参数 |
| 6.5 基于LSTM的驾驶员疲劳检测 |
| 6.6 驾驶员疲劳状态实时检测算法实验 |
| 6.6.1 实验数据集 |
| 6.6.2 确定超像素分割参数K的值 |
| 6.6.3 CNN的参数设置与网络结构设计 |
| 6.6.4 基于CNN眼部以及嘴部区域检测 |
| 6.6.5 基于LSTM检测驾驶员疲劳状态 |
| 6.7 本章小结 |
| 第七章 总结和展望 |
| 7.1 论文总结 |
| 7.2 论文不足和展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（2）基于巡检车视觉的半动态目标在语义地图中的更新方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 场景理解 |
| 1.2.2 目标识别 |
| 1.2.2.1 传统目标识别算法 |
| 1.2.2.2 基于深度学习的目标识别算法 |
| 1.2.3 视觉目标定位 |
| 1.2.4 室内地图更新方法 |
| 1.2.4.1 同步定位与建图(SLAM) |
| 1.2.4.2 增量式更新 |
| 1.2.5 语义地图及场景目标 |
| 1.3 研究内容和论文结构 |
| 第2章 基于灭点检测的场景理解 |
| 2.1 概述 |
| 2.2 灭点的定义 |
| 2.3 灭点检测算法 |
| 2.3.1 图像边缘检测 |
| 2.3.2 直线检测 |
| 2.3.3 直线分组 |
| 2.3.4 直线优化 |
| 2.3.5 求取灭点 |
| 2.4 基于场景理解的半动态目标检测 |
| 2.5 基于场景理解的静态参考目标的检测 |
| 2.6 目标检测实验及结果分析 |
| 第3章 基于场景理解的半动态目标定位 |
| 3.1 概述 |
| 3.2 场景理解目标定位原理 |
| 3.2.1 射影变换的交比不变性原理 |
| 3.2.2 直线上的线段计算 |
| 3.2.3 二维平面上的线段计算 |
| 3.2.3.1 平行线上的线段计算 |
| 3.2.3.2 平面上任意线段长度的计算 |
| 3.3 半动态目标定位算法 |
| 3.4 实验及结果分析 |
| 第4章 语义地图结构及更新 |
| 4.1 概述 |
| 4.2 语义信息库的构建 |
| 4.2.1 语义信息库的需求分析 |
| 4.2.2 语义信息库的逻辑结构 |
| 4.2.3 语义信息库的数据表 |
| 4.2.4 静态目标属性 |
| 4.3 栅格地图的构建 |
| 4.3.1 静态目标在栅格地图中的表达 |
| 4.3.2 半动态目标在栅格地图中的表达 |
| 4.4 语义地图更新 |
| 4.4.1 半动态语义信息匹配及语义信息库的更新 |
| 4.4.2 栅格地图更新 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间参加的科研项目和成果 |
（3）基于单目摄像头标定技术的目标定位系统的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 主流定位技术介绍 |
| 1.3 国内外研究现状 |
| 1.3.1 摄像机标定技术研究现状 |
| 1.3.2 目标检测和追踪技术研究现状 |
| 1.4 主要研究内容及结构安排 |
| 第二章 视觉定位理论基础 |
| 2.1 摄像机成像模型及坐标系系统 |
| 2.1.1 摄像机成像模型 |
| 2.1.2 坐标系系统 |
| 2.1.3 齐次坐标表示方法 |
| 2.1.4 坐标系之间转换 |
| 2.1.5 摄像机四参数和五参数模型 |
| 2.2 基于消失点的摄像机参数计算理论基础 |
| 2.3 深度学习模型 |
| 2.3.1 卷积神经网络 |
| 2.3.2 循环神经网络 |
| 2.4 本章小结 |
| 第三章 车辆三维建模及消失点估计 |
| 3.1 车辆三维建模及关键点检测 |
| 3.1.1 车辆三维形状和三维尺寸模版数据集 |
| 3.1.2 2D/3D车辆模型 |
| 3.1.3 Deep MANTA网络结构 |
| 3.1.4 Deep MANTA网络推断 |
| 3.2 基于车辆三维模型的消失点估计方法 |
| 3.2.1 随机抽样一致算法 |
| 3.2.2 均值漂移聚类算法 |
| 3.2.3 正交消失点估计流程 |
| 3.3 本章小结 |
| 第四章 基于行人追踪的摄像机标定及参数优化 |
| 4.1 基于行人追踪的摄像机标定算法 |
| 4.1.1 YOLO检测算法 |
| 4.1.2 基于目标检测的行人追踪方法 |
| 4.1.3 基于行人追踪结果的消失点估计算法 |
| 4.2 基于最小化重投影误差的摄像机参数优化算法 |
| 4.2.1 分布估计算法 |
| 4.2.2 基于最小化重投影误差的摄像机参数优化算法 |
| 4.3 本章小结 |
| 第五章 实验结果与分析 |
| 5.1 数据集 |
| 5.2 对比算法 |
| 5.3 实验结果评定标准 |
| 5.4 实验参数设置 |
| 5.5 实验结果分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（4）基于全景图像的室内三维重建算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 单视图重建 |
| 1.2.2 全景图像重建算法 |
| 1.3 行人航位推算(PDR) |
| 1.4 主要研究内容与意义 |
| 1.5 本文结构安排 |
| 第2章 全景图像重建算法相关基础知识介绍 |
| 2.1 曼哈顿世界假设 |
| 2.1.1 消失点 |
| 2.1.2 曼哈顿世界假设 |
| 2.2 全景相机坐标系 |
| 2.2.1 相机坐标系 |
| 2.2.2 球坐标系 |
| 2.2.3 全景几何 |
| 2.3 行人航位推算 |
| 2.4 本章小结 |
| 第3章 全景图像重建算法 |
| 3.1 研究背景 |
| 3.2 室内场景模型 |
| 3.3 区域划分 |
| 3.3.1 线段检测 |
| 3.3.2 相机标定 |
| 3.3.3 生成布局假设 |
| 3.4 二维坐标变换到三维坐标 |
| 3.5 重建结果 |
| 3.6 本章小结 |
| 第4章 结合手机传感器数据的模型拼接算法 |
| 4.1 研究背景 |
| 4.2 相机坐标系 |
| 4.3 相机姿态获取 |
| 4.3.1 数据获取 |
| 4.3.2 旋转矩阵 |
| 4.3.3 平移矩阵 |
| 4.4 坐标变换 |
| 4.5 角度约束 |
| 4.6 实验分析 |
| 4.6.1 实验设备 |
| 4.6.2 行人航位推算 |
| 4.6.3 模型拼接 |
| 4.7 本章小结 |
| 第5章 结束语 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（6）基于混合特征的机器人视觉里程计技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视觉里程计发展历程 |
| 1.2.2 混合特征视觉里程计研究现状 |
| 1.2.3 曼哈顿世界下视觉里程计研究现状 |
| 1.3 论文研究内容与组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 组织结构 |
| 第二章 曼哈顿世界下消失点估计方法 |
| 2.1 基于RANSAC的消失点估计方法 |
| 2.1.1 消失点 |
| 2.1.2 算法流程 |
| 2.2 基于非线性优化的消失点估计方法 |
| 2.2.1 非线性优化 |
| 2.2.2 先验信息约束下消失点估计 |
| 2.3 实验结果与分析 |
| 2.3.1 仿真数据集 |
| 2.3.2 YUD数据集 |
| 2.4 小结 |
| 第三章 曼哈顿世界基于消失点辅助的单目视觉里程计 |
| 3.1 基于局部特征点的单目视觉里程计算法 |
| 3.2 基于消失点辅助的单目视觉里程计算法 |
| 3.2.1 算法框架 |
| 3.2.2 世界消失点初始化 |
| 3.2.3 投影残差模型 |
| 3.2.4 优化策略 |
| 3.3 实验结果与分析 |
| 3.3.1 消失点估计与初始化 |
| 3.3.2 EuRoC MAV公共数据集 |
| 3.3.3 室外手持实验 |
| 3.4 小结 |
| 第四章 基于混合特征紧耦合融合的单目视觉里程计 |
| 4.1 图优化 |
| 4.2 混合残差 |
| 4.2.1 混合残差优化框架 |
| 4.2.2 重投影残差模型 |
| 4.2.3 投影残差模型 |
| 4.3 算法流程 |
| 4.4 实验结果与分析 |
| 4.4.1 EuRoC MAV公共数据集 |
| 4.4.2 室外手持实验 |
| 4.4.3 算法结果对比分析 |
| 4.5 小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（7）基于机器视觉的调车机车辅助驾驶的研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 现实意义 |
| 1.3 国内外研究现状 |
| 1.3.1 图像增强研究现状 |
| 1.3.1.1 雾天图像增强现状 |
| 1.3.1.2 夜晚图像增强现状 |
| 1.3.1.3 雨天图像增强现状 |
| 1.3.2 铁轨检测研究现状 |
| 1.3.3 行人侵限检测现状 |
| 1.3.4 驾驶控制研究现状 |
| 1.4 调车机车作业特点及辅助驾驶需求 |
| 1.5 本文的研究思路 |
| 1.6 论文研究内容及组织结构 |
| 2 调车机车监控图像预处理增强技术研究 |
| 2.1 调车机车雾天监控图像增强技术 |
| 2.1.1 铁路站场和工矿路段雾天图像特点 |
| 2.1.2 Retinex算法基本理论 |
| 2.1.3 改进型Retinex算法 |
| 2.1.3.1 Retinex中心滤波算法改进 |
| 2.1.3.2 颜色恢复算法改进 |
| 2.1.4 实验结果及分析 |
| 2.2 调车机车夜晚监控图像增强技术 |
| 2.2.1 铁路站场和工矿路段夜晚图像特点 |
| 2.2.2 基于暗通道先验算法和多颜色空间信息的增强算法 |
| 2.2.2.1 暗通道先验算法基本理论 |
| 2.2.2.2 光源区域局部处理 |
| 2.2.2.3 基于对应白天图像指导偏色消除 |
| 2.2.3 实验结果及分析 |
| 2.3 调车机车雨天监控图像增强技术 |
| 2.3.1 铁路站场和工矿路段雨天图像特点 |
| 2.3.2 基于频域的去雨算法 |
| 2.3.2.1 基于频域的雨痕定位 |
| 2.3.2.2 分数阶傅里叶变换原理 |
| 2.3.2.3 雨痕区域滤波处理 |
| 2.3.3 实验结果及分析 |
| 2.4 本章小结 |
| 3 调车机车铁轨检测研究 |
| 3.1 铁轨区域图像特点分析 |
| 3.1.1 铁轨区域的特点与处理目标 |
| 3.1.2 铁轨检测与公路交通标线检测关系 |
| 3.2 调车机车图像距离定位 |
| 3.2.1 视觉坐标系转换简介 |
| 3.2.2 调车机车监控图像距离信息的量化模型 |
| 3.3 调车机车铁轨检测算法 |
| 3.3.1 近距离区域铁轨检测 |
| 3.3.2 远距离区域铁轨检测 |
| 3.3.2.1 最亮点区域增长算法 |
| 3.3.2.2 远距离铁轨检测效果 |
| 3.3.3 历史信息预测铁轨区域 |
| 3.4 铁轨检测实验结果及分析 |
| 3.5 本章小结 |
| 4 调车机车基于多光谱行人侵限检测算法研究 |
| 4.1 行人侵限检测理论分析 |
| 4.1.1 行人侵限危险区域选定 |
| 4.1.2 调车机车行人侵限检测分析 |
| 4.1.3 检测模型的迁移学习理论 |
| 4.2 调车机车远距离行人侵限检测算法研究 |
| 4.2.1 远距离行人侵限算法基本理论 |
| 4.2.1.1 调车机车远距离行人特征 |
| 4.2.1.2 行人检测算法 |
| 4.2.1.3 卷积神经网络 |
| 4.2.2 结合边缘信息的深度学习算法 |
| 4.2.2.1 深度学习网络设计 |
| 4.2.2.2 调车机车远距离行人侵限检测 |
| 4.2.3 算法验证和实验结果 |
| 4.2.3.1 实验环境与模型评价方法 |
| 4.2.3.2 远距离行人检测结果验证 |
| 4.2.3.3 调车机车远距离行人侵限检测结果 |
| 4.3 调车机车前方红外图像行人侵限检测 |
| 4.3.1 红外图像行人特征 |
| 4.3.2 红外图像行人侵限检测算法 |
| 4.3.2.1 红外显着性算法 |
| 4.3.2.2 Zernike矩在红外行人检测中的应用 |
| 4.3.2.3 多级特征行人检测算法 |
| 4.3.3 调车机车红外与可见光图像配准研究 |
| 4.3.4 算法验证和实验结果 |
| 4.3.4.1 显着性检测结果 |
| 4.3.4.2 行人检测结果 |
| 4.3.4.3 红外和可见光图像配准结果 |
| 4.4 本章小结 |
| 5 基于视觉的调车机车优化驾驶方案研究 |
| 5.1 基于视觉的优化调车机车装货控制方案 |
| 5.1.1 低恒速作业及控制模型 |
| 5.1.2 双目视觉三维重建堆料检测 |
| 5.1.2.1 双目视觉三维重建过程 |
| 5.1.2.2 堆料装货控制方案 |
| 5.1.3 基于光流法的调车机车装货状态判断 |
| 5.2 基于分数阶PID控制器的调车机车优化驾驶研究 |
| 5.2.1 调车机车运动模型 |
| 5.2.2 分数阶PID优化控制算法 |
| 5.2.2.1 分数阶PID算法 |
| 5.2.2.2 分数阶PID控制器实现 |
| 5.3 实验结果及分析 |
| 5.3.1 运动模型及分数阶PID控制算法结果 |
| 5.3.2 调车机车低恒速装货方案控制结果 |
| 5.4 调车机车辅助驾驶系统方案说明 |
| 5.4.1 嵌入式平台介绍 |
| 5.4.2 算法可移植性验证 |
| 5.4.3 调车机车行人侵限响应系统介绍 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 论文的主要结论 |
| 6.2 论文的创新性 |
| 6.3 待开展工作 |
| 参考文献 |
| 作者简历 |
| 发表论文列表 |
| 学位论文数据集 |
（8）城市违章建筑定点监控自动识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外相关技术研究现状 |
| 1.2.1 土地违法违规监管现状 |
| 1.2.2 土地违法违规监管相关图像处理技术研究现状 |
| 1.3 研究内容及组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 组织结构 |
| 第二章 城市违章建筑自动识别基本理论与方法 |
| 2.1 城市违章建筑自动识别技术路线 |
| 2.2 EM算法混合高斯模型视频背景提取 |
| 2.2.1 视频前背景检测技术 |
| 2.2.2 基于高斯混合模型的背景建模 |
| 2.2.3 EM算法初值设定 |
| 2.3 特征描述子的相似性度量 |
| 2.3.1 闵可夫斯基距离 |
| 2.3.2 马氏距离 |
| 2.3.3 相关距离 |
| 2.4 本章小结 |
| 第三章 融合相似性度量和Hu矩的抗干扰变化检测算法 |
| 3.1 雾天干扰问题及快速检测算法研究 |
| 3.1.1 常见天气干扰情况分析 |
| 3.1.2 基于区间随机抽样的快速雾天检测及处理 |
| 3.2 基于配准改进和形状先验的变化区域提取 |
| 3.2.1 基于SURF特征点筛选的配准改进 |
| 3.2.2 基于形状算子的复杂场景变化干扰去除 |
| 3.3 联合相似性度量和Hu矩的纹理特征变化检测 |
| 3.3.1 基于匹配尺度修正的相似性度量 |
| 3.3.2 Hu矩及相似性度量的联合检测 |
| 3.4 本章小结 |
| 第四章 结合深度学习的多特征违章建筑自动识别算法 |
| 4.1 基于YOLO框架的违章建筑识别 |
| 4.1.1 深度学习框架比较及选取 |
| 4.1.2 YOLO模型分析 |
| 4.1.3 模型网络设计 |
| 4.1.4 模型训练策略 |
| 4.1.5 实验步骤及结果 |
| 4.2 结合深度学习的多特征违章建筑自动识别总体流程 |
| 4.3 基于 K‐Means 聚类的违章建筑轮廓拓扑特征提取 |
| 4.3.1 基于直线检测的违章建筑物轮廓特征提取 |
| 4.3.2 基于K-Means聚类的建筑物轮廓拓扑约束 |
| 4.3.3 实验结果及分析 |
| 4.4 基于HSV空间的建筑物颜色筛选 |
| 4.4.1 颜色模型选取 |
| 4.4.2 实验结果及分析 |
| 4.5 基于消失点模型的建筑物空间形态检测 |
| 4.6 基于深度学习的车辆干扰消除算法研究 |
| 4.6.1 车辆检测方法实验比较 |
| 4.6.2 实验结果及分析 |
| 4.7 结合深度学习的多特征违章建筑物检测方案 |
| 4.8 本章小结 |
| 第五章 安顺市开发区违章建筑自动识别报警平台开发 |
| 5.1 定点CCD土地利用变化监控场景分析 |
| 5.2 安顺市开发区违章建筑自动识别报警平台的系统组成 |
| 5.2.1 视频监控数据采集模块 |
| 5.2.2 视频及图像数据处理模块 |
| 5.2.3 报警定位模块 |
| 5.2.4 案例输出模块 |
| 5.3 预置点最优布设及目标定位分析 |
| 5.3.1 三公里内全覆盖最优布设分析 |
| 5.3.2 高分辨率最优布设分析 |
| 5.3.3 可疑目标世界坐标系定位算法 |
| 5.3.4 预置点数据采集效果测试 |
| 5.4 UI布局及功能设计 |
| 5.4.1 云台控制 |
| 5.4.2 巡航时间设置 |
| 5.4.3 人工决策辅助平台 |
| 5.4.4 短信预警功能 |
| 5.4.5 图片比对平台 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得学术成果 |
（9）利用球像的对拓关系标定抛物折反射摄像机（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究主题的背景和意义 |
| 1.2 中心折反射摄像机标定领域研究现状 |
| 1.3 论文撰写思路 |
| 1.4 论文组成结构 |
| 第二章 基础知识 |
| 2.1 摄像机成像模型 |
| 2.1.1 针孔成像模型 |
| 2.1.2 一般化单位视球成像模型 |
| 2.1.3 空间球在单位视球模型下的成像模型 |
| 2.2 基础概念 |
| 2.2.1 绝对二次曲线、消失点、圆环点 |
| 2.2.2 二次曲线的射影理论 |
| 2.2.3 公共自极三角形 |
| 2.2.4 对拓关系 |
| 第三章 利用球投影的对拓关系标定抛物折反射摄像机 |
| 3.1 基于正交消失点的标定 |
| 3.1.1 消失点的获得 |
| 3.1.2 消失点的正交性 |
| 3.1.3 算法步骤(Method 1) |
| 3.2 基于圆环点的标定 |
| 3.2.1 获得消失线 |
| 3.2.2 获得大圆的像 |
| 3.2.3 算法步骤(Method 2) |
| 第四章 实验 |
| 4.1 仿真实验 |
| 4.2 真实实验 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 学术成果 |
| 致谢 |
（10）基于车辆视觉环境的车道线检测与可行驶区域车辆检测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究目的 |
| 1.3 相关研究现状 |
| 1.3.1 车道线检测 |
| 1.3.2 车辆检测 |
| 1.4 本文研究内容与组织结构 |
| 第二章 相关理论与方法 |
| 2.1 图像处理技术 |
| 2.1.1 图像去噪 |
| 2.1.2 图像二值化 |
| 2.1.3 形态学运算 |
| 2.2 边缘检测 |
| 2.2.1 边缘检测概述 |
| 2.2.2 常用边缘检测算子 |
| 2.2.3 对比 |
| 2.3 本章小结 |
| 第三章 车道线检测 |
| 3.1 预处理 |
| 3.2 动态感兴趣区域获取 |
| 3.2.1 消失点 |
| 3.2.2 基于Gabor滤波器的纹理方向估计 |
| 3.2.3 基于局部投票机制消失点获取 |
| 3.2.4 动态感兴趣区域获取 |
| 3.3 光照不变条件下灰度图像的获取 |
| 3.3.1 对数色度空间 |
| 3.3.2 相机传感器变换 |
| 3.3.3 光照不变灰度图像获取 |
| 3.4 车道线检测 |
| 3.4.1 道路图像特点分析 |
| 3.4.2 车道线检测目标区域提取 |
| 3.4.3 基于极角约束的霍夫变换 |
| 3.4.4 车道线检测 |
| 3.5 本章小结 |
| 第四章 可行驶区域内车辆检测 |
| 4.1 预处理 |
| 4.2 阴影的垂直梯度强度 |
| 4.2.1 基于车底阴影特征的阴影梯度筛选 |
| 4.2.2 车辆阴影强度阈值获取 |
| 4.3 可行驶区域内车辆检测 |
| 4.3.1 车辆可行驶区域 |
| 4.3.2 基于车辆宽度的形态学滤波 |
| 4.3.3 可行驶区域内的车辆检测 |
| 4.4 本章小结 |
| 第五章 算法测试及分析 |
| 5.1 实验环境及整体方案 |
| 5.2 车道线检测结果 |
| 5.2.1 基本流程 |
| 5.2.2 实验结果 |
| 5.2.3 结果分析 |
| 5.3 车辆检测结果 |
| 5.3.1 基本流程 |
| 5.3.2 实验结果 |
| 5.3.3 结果分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
四、利用图像中的消失点描述平面直线关系（论文参考文献）
- [1]面向智能驾驶辅助系统的视觉感知关键技术研究[D]. 蒋倩男. 合肥工业大学, 2021(02)
- [2]基于巡检车视觉的半动态目标在语义地图中的更新方法研究[D]. 马辉. 浙江科技学院, 2020(03)
- [3]基于单目摄像头标定技术的目标定位系统的研究[D]. 苏航. 北京邮电大学, 2020(05)
- [4]基于全景图像的室内三维重建算法研究[D]. 李熠. 重庆邮电大学, 2020(02)
- [5]RGB图像的主平面检测算法[J]. 李志明. 现代计算机, 2020(07)
- [6]基于混合特征的机器人视觉里程计技术研究[D]. 韩冰心. 国防科技大学, 2019(02)
- [7]基于机器视觉的调车机车辅助驾驶的研究[D]. 张驰. 北京交通大学, 2019(01)
- [8]城市违章建筑定点监控自动识别技术研究[D]. 王宇. 东南大学, 2019(06)
- [9]利用球像的对拓关系标定抛物折反射摄像机[D]. 王顺成. 云南大学, 2019(03)
- [10]基于车辆视觉环境的车道线检测与可行驶区域车辆检测研究[D]. 韩宜轩. 长安大学, 2019(01)