结合CNN与MRF的道路检测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 智能车辅助驾驶系统研究现状 | 第9-11页 |
| 1.2.2 道路检测方法研究现状 | 第11-13页 |
| 1.3 当前方法存在的问题及本文研究内容 | 第13-15页 |
| 1.3.1 当前存在的问题 | 第13-14页 |
| 1.3.2 本文研究内容 | 第14-15页 |
| 1.4 本文章节安排 | 第15-16页 |
| 第二章 超像素分割算法 | 第16-30页 |
| 2.1 超像素概述 | 第16-17页 |
| 2.2 基于图论的超像素分割算法 | 第17-20页 |
| 2.2.1 Graph-based算法 | 第17-19页 |
| 2.2.2 N-cuts算法 | 第19-20页 |
| 2.3 基于梯度下降的超像素分割算法 | 第20-24页 |
| 2.3.1 Mean-shift算法 | 第20-22页 |
| 2.3.2 Turbo-pixels算法 | 第22页 |
| 2.3.3 SLIC算法 | 第22-24页 |
| 2.4 实验结果与分析 | 第24-28页 |
| 2.4.1 实验数据库介绍 | 第24-25页 |
| 2.4.2 超像素分割算法性能对比 | 第25-26页 |
| 2.4.3 基于SLIC算法的道路图像分割 | 第26-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 基于CNN和超像素的道路检测方法 | 第30-40页 |
| 3.1 CNN概述 | 第30-31页 |
| 3.2 CNN的基本思想 | 第31-32页 |
| 3.2.1 局部连接与权值共享 | 第31-32页 |
| 3.2.2 空间降采样 | 第32页 |
| 3.3 CNN网络结构 | 第32-34页 |
| 3.3.1 卷积层 | 第32-33页 |
| 3.3.2 降采样层 | 第33页 |
| 3.3.3 全连接层 | 第33-34页 |
| 3.3.4 激活函数 | 第34页 |
| 3.4 实验结果与分析 | 第34-39页 |
| 3.4.1 样本的采集 | 第34-35页 |
| 3.4.2 网络结构参数及其设计 | 第35-37页 |
| 3.4.3 基于RD-CNN网络的道路检测 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于MRF的道路标签优化算法 | 第40-54页 |
| 4.1 MRF的基本理论 | 第40-45页 |
| 4.1.1 邻域系统和基团 | 第40-42页 |
| 4.1.2 MRF与Gibbs随机场的等价关系 | 第42-43页 |
| 4.1.3 MRF-MAP框架 | 第43-45页 |
| 4.2 MRF在道路检测中的应用 | 第45-48页 |
| 4.2.1 条件迭代算法 | 第45-46页 |
| 4.2.2 道路标签优化算法 | 第46-48页 |
| 4.3 实验结果及分析 | 第48-53页 |
| 4.3.1 评价指标 | 第48-49页 |
| 4.3.2 实验对比及分析 | 第49-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 本文工作总结 | 第54-55页 |
| 5.2 后续工作展望 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 发表论文和参加科研情况 | 第62-64页 |
| 致谢 | 第64页 |
