| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 道路检测 | 第12-13页 |
| 1.2.2 障碍物检测 | 第13-15页 |
| 1.3 本文研究内容及结构安排 | 第15-17页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 结构安排 | 第15-17页 |
| 第2章 道路图像预处理 | 第17-27页 |
| 2.1 道路图像阴影去除 | 第17-21页 |
| 2.1.1 光照无关图原理 | 第17-19页 |
| 2.1.2 光照无关道路图像获取 | 第19-21页 |
| 2.2 道路图像滤波 | 第21-23页 |
| 2.3 道路图像灰度处理 | 第23页 |
| 2.4 图像尺度归一化 | 第23-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 基于K-Means的无监督特征学习道路区域检测 | 第27-40页 |
| 3.1 引言 | 第27页 |
| 3.2 道路置信区域提取 | 第27-29页 |
| 3.2.1 道路种子点获取 | 第28页 |
| 3.2.2 直方图归一化 | 第28-29页 |
| 3.3 基于K-Means的无监督道路特征学习 | 第29-33页 |
| 3.3.1 图像归一化 | 第29-30页 |
| 3.3.2 图像白化 | 第30-31页 |
| 3.3.3 K-Means特征学习 | 第31-33页 |
| 3.4 道路区域分割 | 第33-36页 |
| 3.4.1 二值化 | 第33-34页 |
| 3.4.2 道路区域提取 | 第34-36页 |
| 3.5 实验结果分析 | 第36-38页 |
| 3.5.1 评估标准 | 第36页 |
| 3.5.2 性能评估分析 | 第36-38页 |
| 3.6 本章小结 | 第38-40页 |
| 第4章 基于改进的Edge-Boxes障碍物候选区域提取方法 | 第40-51页 |
| 4.1 障碍物候选区域提取总体框架 | 第40-41页 |
| 4.2 边缘检测 | 第41-44页 |
| 4.2.1 常用边缘检测方法 | 第41页 |
| 4.2.2 EDrawing边缘检测方法 | 第41-44页 |
| 4.3 边缘集合相似度计算 | 第44-46页 |
| 4.3.1 边缘组计算 | 第45-46页 |
| 4.3.2 计算边缘组之间的相似度 | 第46页 |
| 4.4 障碍物外框打分及候选区域提取 | 第46-48页 |
| 4.4.1 寻找相交边缘组集合 | 第47页 |
| 4.4.2 边界框打分 | 第47-48页 |
| 4.5 实验结果与分析 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第5章 基于卷积神经网络的行人和车辆检测 | 第51-61页 |
| 5.1 引言 | 第51-52页 |
| 5.2 CNN特征提取 | 第52-53页 |
| 5.2.1 网络结构设计 | 第52-53页 |
| 5.2.2 参数调整 | 第53页 |
| 5.3 行人与车辆检测 | 第53-58页 |
| 5.3.1 SVM算法 | 第53-57页 |
| 5.3.3 边框回归 | 第57-58页 |
| 5.4 实验结果与分析 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第67-68页 |
| 致谢 | 第68页 |