基于机器视觉的车辆和车道线检测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状和发展趋势分析 | 第14-21页 |
| 1.2.1 智能车辆概述 | 第14-17页 |
| 1.2.2 车辆检测技术的发展 | 第17-20页 |
| 1.2.3 车道线检测技术的发展 | 第20-21页 |
| 1.2.4 存在的问题及难点分析 | 第21页 |
| 1.3 论文的研究内容 | 第21-22页 |
| 1.4 论文组织结构 | 第22-23页 |
| 第2章 深度学习的理论基础 | 第23-34页 |
| 2.1 深度学习 | 第23-25页 |
| 2.1.1 人工神经网络 | 第23-24页 |
| 2.1.2 深度神经网络 | 第24-25页 |
| 2.2 卷积神经网络(CNN) | 第25-30页 |
| 2.2.1 CNN的发展 | 第25页 |
| 2.2.2 CNN的结构 | 第25-26页 |
| 2.2.3 CNN的特性 | 第26-27页 |
| 2.2.4 CNN的训练 | 第27-30页 |
| 2.3 深度模型的优化 | 第30-32页 |
| 2.3.1 小批量随机训练 | 第30页 |
| 2.3.2 损失函数 | 第30-31页 |
| 2.3.3 优化损失函数 | 第31-32页 |
| 2.4 超参数的定义 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于深度学习的车辆目标检测 | 第34-54页 |
| 3.1 算法实验平台 | 第34-35页 |
| 3.2 基于YOLOv2的检测思想 | 第35-36页 |
| 3.3 设计车辆检测模型系统 | 第36-47页 |
| 3.3.1 模型框架介绍 | 第36-40页 |
| 3.3.2 模型训练实现策略 | 第40-43页 |
| 3.3.3 数据准备工作 | 第43-46页 |
| 3.3.4 模型训练阶段 | 第46-47页 |
| 3.4 实验结果与分析 | 第47-53页 |
| 3.4.1 常用评价指标介绍 | 第47-48页 |
| 3.4.2 实验结果显示与分析 | 第48-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第4章 基于计算机视觉的车道线检测 | 第54-74页 |
| 4.1 车道线检测系统设计 | 第54页 |
| 4.2 道路边缘检测 | 第54-68页 |
| 4.2.1 图像预处理 | 第55-58页 |
| 4.2.2 二值化处理 | 第58-60页 |
| 4.2.3 边缘提取 | 第60-62页 |
| 4.2.4 检测感兴趣区域 | 第62-68页 |
| 4.3 车道线参数拟合 | 第68-69页 |
| 4.4 车道线检测实验测试 | 第69-71页 |
| 4.5 可行驶区域分析 | 第71-73页 |
| 4.5.1 算法模型融合 | 第72页 |
| 4.5.2 可行驶区域初步预判 | 第72-73页 |
| 4.6 本章小结 | 第73-74页 |
| 总结与展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80页 |
