基于单目视觉的车辆前方可通行性分析方法
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-22页 |
| 1.1 引言 | 第10-11页 |
| 1.2 基于视觉感知的可通行性分析研究现状 | 第11-17页 |
| 1.2.1 国外研究现状 | 第12-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.2.3 存在的问题 | 第16-17页 |
| 1.3 卷积神经网络的发展 | 第17-21页 |
| 1.3.1 人工神经网络的发展和现状 | 第17-18页 |
| 1.3.2 深度学习技术 | 第18-19页 |
| 1.3.3 卷积神经网络的应用 | 第19-21页 |
| 1.4 本文的主要工作内容 | 第21-22页 |
| 2 基于单目视觉的嵌入式车载图像采集系统设计 | 第22-34页 |
| 2.1 引言 | 第22页 |
| 2.2 硬件设计的总体方案 | 第22-24页 |
| 2.2.1 OMAP3530微处理器简介 | 第22-23页 |
| 2.2.2 系统构架搭建 | 第23-24页 |
| 2.3 图像采集系统的硬件设计 | 第24-31页 |
| 2.3.1 核心处理模块 | 第24-25页 |
| 2.3.2 Camera模块 | 第25-26页 |
| 2.3.3 人机交互模块 | 第26-28页 |
| 2.3.4 数据传输模块 | 第28-30页 |
| 2.3.5 电源模块 | 第30-31页 |
| 2.4 图像采集功能的软件开发 | 第31-33页 |
| 2.4.1 Linux系统 | 第31页 |
| 2.4.2 基于OpenCV的摄像头图像采集功能 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 3 基于光照补偿的图像预处理方法研究 | 第34-50页 |
| 3.1 引言 | 第34页 |
| 3.2 灰度图像的光照补偿方法研究 | 第34-38页 |
| 3.2.1 传统的直方图均衡化 | 第34-35页 |
| 3.2.2 局部直方图均衡化 | 第35-36页 |
| 3.2.3 非线性变换 | 第36-37页 |
| 3.2.4 同态滤波 | 第37-38页 |
| 3.2.5 传统的Gamma矫正 | 第38页 |
| 3.3 基于光照补偿的改进的Gamma矫正算法 | 第38-49页 |
| 3.3.1 改进的Gamma矫正算法 | 第38-44页 |
| 3.3.2 光照补偿方法的实验结果对比 | 第44-49页 |
| 3.4 本章小结 | 第49-50页 |
| 4 卷积神经网络的结构设计与训练方法改进 | 第50-65页 |
| 4.1 引言 | 第50页 |
| 4.2 卷积神经网络的结构设计 | 第50-58页 |
| 4.2.1 BP神经网络结构 | 第50-51页 |
| 4.2.2 RBF神经网络结构 | 第51-52页 |
| 4.2.3 改进的卷积神经网络结构 | 第52-58页 |
| 4.3 卷积神经网络的训练方法改进 | 第58-64页 |
| 4.3.1 BP算法 | 第58-60页 |
| 4.3.2 基于LM优化的卷积神经网络训练方法 | 第60-62页 |
| 4.3.3 实验对比与结果分析 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 5 车辆前方可通行性分析 | 第65-73页 |
| 5.1 引言 | 第65页 |
| 5.2 样本库建立 | 第65-68页 |
| 5.2.1 图像预处理 | 第66-67页 |
| 5.2.2 样本选择 | 第67-68页 |
| 5.3 卷积神经网络训练 | 第68-70页 |
| 5.3.1 收敛条件 | 第68页 |
| 5.3.2 训练方式 | 第68页 |
| 5.3.3 网络连接权值初始化 | 第68-69页 |
| 5.3.4 学习速率 | 第69-70页 |
| 5.4 检测结果及分析 | 第70-71页 |
| 5.5 本章小结 | 第71-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 攻读硕士学位期间发表学术论文情况 | 第80-81页 |
| 致谢 | 第81-82页 |
