基于视觉的无人驾驶车前方车辆检测方法研究与实现
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景和选题意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 车辆检测研究概况 | 第10-11页 |
| 1.2.2 车辆检测方法 | 第11-13页 |
| 1.3 车辆检测难点 | 第13-14页 |
| 1.4 本文主要的工作 | 第14-16页 |
| 1.4.1 车辆检测流程 | 第14页 |
| 1.4.2 主要研究内容 | 第14页 |
| 1.4.3 本文的框架 | 第14-16页 |
| 2 基于改进几何约束的候选区选取算法 | 第16-29页 |
| 2.1 几何约束算法 | 第16-20页 |
| 2.1.1 坐标系的建立 | 第17-18页 |
| 2.1.2 几何约束算法推导 | 第18-20页 |
| 2.2 改进的几何约束算法 | 第20-26页 |
| 2.2.1 坐标系的建立 | 第20-21页 |
| 2.2.2 改进的几何约束算法推导 | 第21-24页 |
| 2.2.3 改进的几何约束算法参数的求解 | 第24-26页 |
| 2.3 实验结果分析 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 基于置信度的多特征融合方法 | 第29-44页 |
| 3.1 图像特征提取 | 第30-35页 |
| 3.1.1 Haar-like特征与积分图 | 第30-31页 |
| 3.1.2 HOG特征 | 第31-33页 |
| 3.1.3 LBP特征 | 第33-35页 |
| 3.2 AdaBoost分类算法 | 第35-38页 |
| 3.2.1 构建弱分类器 | 第35-36页 |
| 3.2.2 构建强分类器 | 第36-37页 |
| 3.2.3 分类器的级联 | 第37-38页 |
| 3.3 基于置信度的多特征融合方法 | 第38-41页 |
| 3.3.1 置信度标准化 | 第38-39页 |
| 3.3.2 置信度的权重选择方法 | 第39-40页 |
| 3.3.3 基于置信度的多特征融合的车辆检测过程 | 第40-41页 |
| 3.4 实验结果分析 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 基于CNN验证的车辆检测 | 第44-49页 |
| 4.1 卷积神经网络 | 第44-47页 |
| 4.1.1 人工神经网络 | 第45-46页 |
| 4.1.2 LENET-5神经网络模型 | 第46-47页 |
| 4.2 CNN模型参数训练 | 第47页 |
| 4.3 基于CNN对候选区分类 | 第47-48页 |
| 4.4 实验结果分析 | 第48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 基于无人车平台的车辆检测实验 | 第49-56页 |
| 5.1 无人车平台的介绍 | 第49-52页 |
| 5.1.1 硬件系统 | 第49-51页 |
| 5.1.2 软件系统 | 第51-52页 |
| 5.2 系统实验设计与结果分析 | 第52-55页 |
| 5.2.1 实验设计 | 第52-53页 |
| 5.2.2 车辆检测结果分析 | 第53-55页 |
| 5.3 本章小结 | 第55-56页 |
| 6 总结和展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63页 |
