| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于图像处理的方法 | 第10-11页 |
| 1.2.2 基于深度学习的方法 | 第11-12页 |
| 1.3 本文的主要结构 | 第12-14页 |
| 第二章 卷积神经网络及其训练 | 第14-26页 |
| 2.1 卷积神经网络(Convolutional Neural Networks,CNNs) | 第14-19页 |
| 2.1.1 卷积(Convolution) | 第16-17页 |
| 2.1.2 下采样(Pooling) | 第17-18页 |
| 2.1.3 上采样 | 第18-19页 |
| 2.2 训练数据的准备 | 第19-22页 |
| 2.2.1 数据增强(Data Augmentation) | 第19-20页 |
| 2.2.2 数据预处理 | 第20-22页 |
| 2.3 Tensorflow深度学习框架 | 第22-23页 |
| 2.4 模型的训练 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于多线索融合的车辆检测算法研究 | 第26-36页 |
| 3.1 相关工作 | 第26-27页 |
| 3.2 网络结构设计 | 第27-28页 |
| 3.3 多线索融合 | 第28-32页 |
| 3.3.1 边缘图生成 | 第28-29页 |
| 3.3.2 候选框生成 | 第29-31页 |
| 3.3.3 信息融合 | 第31-32页 |
| 3.4 实验结果 | 第32-35页 |
| 3.4.1 PASCAL VOC 2007 | 第33-34页 |
| 3.4.2 交通场景数据集 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 一种快速的端到端的车道线检测算法研究 | 第36-46页 |
| 4.1 相关工作 | 第36-37页 |
| 4.2 块检测网络 | 第37-40页 |
| 4.2.1 VGG16扩展网络 | 第37-38页 |
| 4.2.2 候选框生成 | 第38-39页 |
| 4.2.3 损失函数 | 第39-40页 |
| 4.3 车道线检测 | 第40-42页 |
| 4.3.1 模型训练 | 第40-41页 |
| 4.3.2 推理阶段 | 第41-42页 |
| 4.4 实验结果 | 第42-45页 |
| 4.4.1 KITTI-ROAD数据集 | 第42-43页 |
| 4.4.2 车道线数据集 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 基于漏斗模型的交通标志符检测算法研究 | 第46-56页 |
| 5.1 相关工作 | 第47-48页 |
| 5.2 网络设计 | 第48-51页 |
| 5.2.1 基础网络模型 | 第48-49页 |
| 5.2.2 残差块 | 第49页 |
| 5.2.3 漏斗模型 | 第49-51页 |
| 5.3 训练细节 | 第51-52页 |
| 5.4 实验结果 | 第52-55页 |
| 5.4.1 TT100K数据集 | 第53-54页 |
| 5.4.2 GTSDB数据集 | 第54-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 附录攻读硕士期间的科研项目及成果 | 第65-66页 |