| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究意义及背景 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于图像传感器的车辆目标检测 | 第11-13页 |
| 1.2.2 基于图像传感器的车辆目标跟踪 | 第13-14页 |
| 1.2.3 存在的问题 | 第14页 |
| 1.2.4 发展趋势 | 第14页 |
| 1.3 研究内容与章节安排 | 第14-19页 |
| 1.3.1 研究内容 | 第14-17页 |
| 1.3.2 章节安排 | 第17-19页 |
| 第2章 基于深度学习的交通场景下目标检测方法 | 第19-36页 |
| 2.1 深度神经网络简介 | 第19-25页 |
| 2.1.1 历史发展 | 第19-20页 |
| 2.1.2 神经网络基本单元及工作原理 | 第20-25页 |
| 2.2 基于深度学习的目标检测方法 | 第25-32页 |
| 2.2.1 锚框的选择 | 第26-27页 |
| 2.2.2 检测算法的网络结构 | 第27-30页 |
| 2.2.3 检测算法的损失函数 | 第30-32页 |
| 2.2.4 训练和检测流程 | 第32页 |
| 2.3 实验与分析 | 第32-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第3章 基于路面纹理上下文的自适应尺度目标跟踪方法 | 第36-61页 |
| 3.1 相关滤波方法介绍 | 第36-38页 |
| 3.2 融合路面纹理上下文信息的跟踪方法 | 第38-46页 |
| 3.2.1 在线性空间中的融合 | 第38-42页 |
| 3.2.2 在对偶空间中的融合 | 第42-46页 |
| 3.3 自适应尺度跟踪模型 | 第46-48页 |
| 3.4 实验与分析 | 第48-57页 |
| 3.4.1 KITTI数据集说明 | 第48-49页 |
| 3.4.2 VOT指标 | 第49-52页 |
| 3.4.3 数据集转换 | 第52页 |
| 3.4.4 参数设置 | 第52-53页 |
| 3.4.5 实验结果对比分析 | 第53-57页 |
| 3.5 本章小结 | 第57-61页 |
| 第4章 前车并线及碰撞预警算法实现 | 第61-76页 |
| 4.1 预警数据处理 | 第61-66页 |
| 4.1.1 预警系统数据传输流程 | 第61页 |
| 4.1.2 车载相机标定 | 第61-65页 |
| 4.1.3 有效监测区域设置 | 第65页 |
| 4.1.4 前车轨迹信息记录 | 第65-66页 |
| 4.2 预警算法 | 第66-69页 |
| 4.2.1 碰撞时间预警 | 第66-68页 |
| 4.2.2 前车并线预警 | 第68页 |
| 4.2.3 非机动车预警 | 第68-69页 |
| 4.3 实验与分析 | 第69-75页 |
| 4.3.1 车载相机标定 | 第69-70页 |
| 4.3.2 前车轨迹 | 第70-71页 |
| 4.3.3 预警算法 | 第71-75页 |
| 4.4 本章小结 | 第75-76页 |
| 第5章 总结与展望 | 第76-78页 |
| 5.1 总结 | 第76页 |
| 5.2 展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第84页 |