| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 基于视觉的道路区域检测系统 | 第10-14页 |
| 1.2.2 使用多种传感器的道路区域检测 | 第14-16页 |
| 1.3 本文思路及创新 | 第16-18页 |
| 1.4 章节安排 | 第18-19页 |
| 第二章 道路场景的特征提取 | 第19-35页 |
| 2.1 颜色和纹理特征 | 第19-23页 |
| 2.2 深度学习特征 | 第23-31页 |
| 2.2.1 限制玻尔兹曼机 | 第24-29页 |
| 2.2.2 深度信念网络 | 第29-30页 |
| 2.2.3 使用DBN网络提取DL特征 | 第30-31页 |
| 2.3 CLBP与DL特征的比较 | 第31-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 训练与分类 | 第35-63页 |
| 3.1 支持向量机 | 第35-40页 |
| 3.1.1 SVM的实现方法 | 第35-37页 |
| 3.1.2 核函数与正则化 | 第37-40页 |
| 3.2 参数优化的必要性与优化方法 | 第40-46页 |
| 3.2.1 参数C和γ的理解 | 第40-43页 |
| 3.2.2 人工鱼群算法 | 第43-46页 |
| 3.3 基于SVM和参数寻优的道路区域识别 | 第46-56页 |
| 3.3.1 基于小窗口的道路区域/其他区域分类 | 第47-48页 |
| 3.3.2 道路区域滤波 | 第48-50页 |
| 3.3.3 验证实验 | 第50-56页 |
| 3.4 基于分类后验概率和Graph Cuts的道路区域提取 | 第56-62页 |
| 3.4.1 SVM的后验概率 | 第56-57页 |
| 3.4.2 Graph Cuts的基本思想 | 第57-59页 |
| 3.4.3 可行性分析 | 第59-62页 |
| 3.5 本章小结 | 第62-63页 |
| 第四章 在线更新策略与实验分析 | 第63-82页 |
| 4.1 更新的必要性与方法探究 | 第63-66页 |
| 4.2 道路分布的假设模型 | 第66-71页 |
| 4.3 实验和分析 | 第71-81页 |
| 4.3.1 数据集 | 第71-73页 |
| 4.3.2 算法的评价标准 | 第73-74页 |
| 4.3.3 效果评定实验 | 第74-81页 |
| 4.4 本章小结 | 第81-82页 |
| 第五章 总结与展望 | 第82-84页 |
| 5.1 总结 | 第82-83页 |
| 5.2 展望 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 致谢 | 第88-89页 |
| 作者简历 | 第89页 |