| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第一章 绪论 | 第12-26页 |
| 1.1 研究意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-20页 |
| 1.2.1 国外研究现状 | 第14-16页 |
| 1.2.2 国内研究现状 | 第16-17页 |
| 1.2.3 行车环境视觉感知关键技术 | 第17-20页 |
| 1.3 行车环境视觉感知共性技术问题 | 第20-24页 |
| 1.3.1 特征表征 | 第20-21页 |
| 1.3.2 分类器 | 第21-24页 |
| 1.4 本文主要研究内容及章节安排 | 第24-26页 |
| 第二章 基于全卷积网络和条件随机场的路面检测算法 | 第26-40页 |
| 2.1 全卷积VGG_16网络组合模型 | 第26-31页 |
| 2.1.1 VGG_16卷积神经网络 | 第27页 |
| 2.1.2 全卷积网络 | 第27-29页 |
| 2.1.3 条件随机场 | 第29-30页 |
| 2.1.4 用于路面检测的全卷积VGG_16网络组合模型 | 第30-31页 |
| 2.2 基于预训练VGG_16卷积神经网络的微调方法 | 第31-32页 |
| 2.3 性能评价 | 第32页 |
| 2.4 实验结果与分析 | 第32-39页 |
| 2.4.1 实验数据 | 第32-34页 |
| 2.4.2 模型训练 | 第34-35页 |
| 2.4.3 模型测试结果 | 第35-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 基于路面先验的结构化道路标线检测与识别 | 第40-55页 |
| 3.1 车道线检测方法研究现状 | 第40-41页 |
| 3.1.1 基于特征的车道线检测方法 | 第40-41页 |
| 3.1.2 基于模型车道线检测方法 | 第41页 |
| 3.2 结构化道路下基于HOUGH变换的车道线检测方法 | 第41-43页 |
| 3.2.1 图像预处理 | 第41-42页 |
| 3.2.2 车道线检测 | 第42-43页 |
| 3.3 深度学习与视觉显著性结合的道路标线检测与识别方法 | 第43-51页 |
| 3.3.1 基于路面先验与显著性的感兴趣区域提取 | 第46-49页 |
| 3.3.2 基于深度学习的道路标志识别方法 | 第49-51页 |
| 3.4 测试结果与分析 | 第51-54页 |
| 3.4.1 测试平台及数据集 | 第51页 |
| 3.4.2 模型训练 | 第51-53页 |
| 3.4.3 算法测试及实验结果 | 第53-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 基于层次显著性循环卷积神经网络的车辆目标检测 | 第55-66页 |
| 4.1 车辆目标检测方法 | 第55-57页 |
| 4.2 基于层次显著性融合的车辆目标检测方法 | 第57-60页 |
| 4.2.1 多层次区域分割 | 第57-58页 |
| 4.2.2 区域显著性检测 | 第58-59页 |
| 4.2.3 多层次显著性融合 | 第59-60页 |
| 4.3 基于层次显著性循环卷积神经网络的车辆目标检测方法 | 第60-63页 |
| 4.3.1 基于VGG网络的显著性粗提取 | 第61页 |
| 4.3.2 基于层次循环卷积的显著性细化 | 第61-63页 |
| 4.3.3 显著性区域分割 | 第63页 |
| 4.4 实验与结果分析 | 第63-65页 |
| 4.4.1 数据集 | 第63-64页 |
| 4.4.2 模型训练 | 第64页 |
| 4.4.3 测试结果与分析 | 第64-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 基于HOG-GABOR特征与SOFTMAX的交通标志识别 | 第66-79页 |
| 5.1 图像预处理 | 第67-70页 |
| 5.1.1 灰度化 | 第68-69页 |
| 5.1.2 灰度增强 | 第69页 |
| 5.1.3 尺寸归一化 | 第69-70页 |
| 5.2 特征提取 | 第70-72页 |
| 5.2.1 HOG特征 | 第70-71页 |
| 5.2.2 Gabor特征 | 第71-72页 |
| 5.2.3 特征扩增 | 第72页 |
| 5.3 SOFTMAX分类器 | 第72-73页 |
| 5.4 试验 | 第73-78页 |
| 5.4.1 GTSRB数据集 | 第73-74页 |
| 5.4.2 特征提取参数优选 | 第74-75页 |
| 5.4.3 算法性能比较 | 第75-78页 |
| 5.5 本章小结 | 第78-79页 |
| 第六章 基于SVM和D-S证据理论的行人检测方法 | 第79-95页 |
| 6.1 行人检测模型 | 第79-80页 |
| 6.2 特征提取 | 第80-82页 |
| 6.2.1 HOG特征 | 第80-81页 |
| 6.2.2 LBP特征 | 第81-82页 |
| 6.3 概率SVM | 第82-84页 |
| 6.3.1 线性SVM | 第82-83页 |
| 6.3.2 SVM后验概率输出 | 第83-84页 |
| 6.4 D-S证据理论 | 第84-87页 |
| 6.4.1 证据理论 | 第84-85页 |
| 6.4.2 基于矩阵分析的D-S证据组合算法 | 第85-87页 |
| 6.5 SVM与D-S证据组合行人检测方法 | 第87-88页 |
| 6.5.1 构造BPA函数 | 第87页 |
| 6.5.2 决策融合 | 第87-88页 |
| 6.5.3 判决规则 | 第88页 |
| 6.6 实验结果与分析 | 第88-94页 |
| 6.6.1 性能评价指标 | 第88-89页 |
| 6.6.2 INRIA行人检测数据集 | 第89-91页 |
| 6.6.3 Caltech行人检测数据集 | 第91-94页 |
| 6.7 本章小结 | 第94-95页 |
| 结论与展望 | 第95-97页 |
| 参考文献 | 第97-109页 |
| 攻读博士学位期间取得的研究成果 | 第109-111页 |
| 致谢 | 第111页 |
