计算机视觉算法与智能车应用电子书

内容简介

前言

第1章 计算机视觉简介

1.1 计算机视觉的发展历程

1.2 计算机视觉研究现状

1.3 计算机视觉在智能车中的应用

第2章 视觉预处理技术

2.1 灰度化处理

2.2 颜色空间变换

2.2.1 RGB颜色空间

2.2.2 HSV颜色空间

2.2.3 RGB与HSV相互转换

2.3 阈值处理

2.3.1 全局阈值处理方法

2.3.2 局部阈值处理方法

2.3.3 自适应阈值处理方法

2.4 霍夫变换

2.5 平滑滤波

2.5.1 邻域平滑滤波

2.5.2 中值滤波

2.6 边缘检测

2.6.1 Canny算子边缘检测

2.6.2 Sobel算子边缘检测

第3章 智能车视觉平台搭建

3.1 硬件平台的设计与搭建

3.1.1 硬件平台的设计

3.1.2 硬件平台的搭建

3.2 开发环境的搭建

3.2.1 开发工具介绍

3.2.2 OpenCV下载与安装

3.2.3 环境配置

第4章 标定

4.1 摄像机标定方法

4.1.1 摄像机成像模型

4.1.2 摄像机内外参数

4.1.3 机器视觉标定板说明

4.1.4 单目摄像机标定

4.2 逆透视标定方法

4.2.1 逆透视变换原理

4.2.2 传统的逆透视标定方法

4.2.3 一种用于智能车的逆透视标定方法

4.2.4 逆透视图像的特点及应用

第5章 单目视觉测距

5.1 基于映射关系表的单目视觉测距

5.1.1 方法的实现

5.1.2 实验结果

5.1.3 等距标记的优缺点

5.2 基于几何关系的距离计算方法

5.2.1 方法的实现

5.2.2 实验与结果分析

5.3 基于逆透视变换的平面测距方法

第6章 车道线检测与跟踪

6.1 车道线检测方法

6.1.1 车道线特性及类型

6.1.2 国内外近年研究成果

6.1.3 车道线检测的难点

6.1.4 自适应二值化算法

6.2 基于透视图像的检测方法

6.2.1 透视模型

6.2.2 一种基于透视图像的车道线检测方法

6.3 基于IPM的检测方法

6.3.1 逆透视模型

6.3.2 一种基于IPM的车道线检测方法

6.4 车道虚拟中心线的计算方法

6.5 车道线跟踪技术

6.5.1 基于卡尔曼滤波的车道线跟踪

6.5.2 基于粒子滤波的车道线跟踪

第7章 斑马线识别

7.1 斑马线的特征及其作用

7.2 斑马线识别方法

7.3 基于时空关联的斑马线识别方法

第8章 停止线识别与测距

8.1 停止线的特征及其作用

8.1.1 停止线的特征

8.1.2 停止线的作用

8.2 停止线识别方法

8.3 基于时空关联的停止线识别方法

8.4 停止线测距

第9章 导向箭头识别

9.1 导向箭头的特征和类型

9.2 导向箭头的识别方法

9.3 基于时空关联的导向箭头识别方法

第10章 交通信号灯识别

10.1 交通信号灯识别简述

10.1.1 交通信号灯识别的意义

10.1.2 交通信号灯识别的方法

10.2 交通信号灯检测方法

10.2.1 颜色空间选取

10.2.2 图像分割

10.3 交通信号灯识别方法

10.3.1 区域选择

10.3.2 特征提取

10.3.3 分类器训练

第11章 交通标志牌识别

11.1 交通标志牌识别简述

11.2 交通标志牌类型

11.3 交通标志牌识别现状

11.4 交通标志牌识别的难点

11.4.1 天气环境的影响

11.4.2 空间变化的影响

11.5 交通标志牌识别的方法

11.5.1 基于模板匹配的方法

11.5.2 基于机器学习的方法

第12章 无人自主车视觉定位

12.1 视觉定位的意义和应用

12.2 视觉定位方法

12.2.1 基于路标库和图像匹配的全局定位

12.2.2 同时定位与地图构建的SLAM

12.2.3 基于局部运动估计的视觉里程计

12.3 定位算法性能分析

第13章 基于视觉的路口定位

13.1 路口定位的实现流程

13.2 基于路口场景识别的粗定位

13.2.1 建立路口场景特征库

13.2.2 基于SURF的快速路口场景识别

13.3 基于IPM的高精度实时定位

13.3.1 逆透视变换（IPM）

13.3.2 停止线检测与测距

13.3.3 车道线检测

13.3.4 位置坐标计算

参考文献