基于双目立体视觉的目标检测关键技术研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-17页 |
| 1.2.1 基于单目视觉的目标检测 | 第13-14页 |
| 1.2.2 基于双目视觉的目标检测 | 第14-17页 |
| 1.3 论文主要研究内容及结构安排 | 第17-19页 |
| 1.3.1 主要研究内容 | 第17页 |
| 1.3.2 论文结构安排 | 第17-19页 |
| 第二章 目标检测系统基本框架及评价标准 | 第19-33页 |
| 2.1 引言 | 第19-20页 |
| 2.2 候选区域生成 | 第20-23页 |
| 2.2.1 基于颜色信息的候选区域生成算法 | 第20-22页 |
| 2.2.2 结合深度信息的候选区域生成算法 | 第22-23页 |
| 2.3 特征提取 | 第23-28页 |
| 2.3.1 人工提取 | 第23-27页 |
| 2.3.2 自动提取 | 第27-28页 |
| 2.4 分类器 | 第28-31页 |
| 2.4.1 SVM | 第28-29页 |
| 2.4.2 AdaBoost | 第29-30页 |
| 2.4.3 CNN | 第30-31页 |
| 2.5 评价标准 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 改进的候选区域生成算法 | 第33-55页 |
| 3.1 引言 | 第33页 |
| 3.2 获取候选框 | 第33-36页 |
| 3.2.1 Selective Search | 第34-35页 |
| 3.2.2 Edge Boxes | 第35-36页 |
| 3.3 候选区域特征提取 | 第36-40页 |
| 3.3.1 宽高比 | 第36-37页 |
| 3.3.2 目标实际尺寸大小 | 第37-39页 |
| 3.3.3 距离地面的高度 | 第39-40页 |
| 3.4 特征融合 | 第40-44页 |
| 3.4.1 MLE估计 | 第40-42页 |
| 3.4.2 贝叶斯融合 | 第42-44页 |
| 3.5 实验结果 | 第44-53页 |
| 3.5.1 特征组合 | 第45-48页 |
| 3.5.2 对比分析 | 第48-53页 |
| 3.6 本章小结 | 第53-55页 |
| 第四章 基于深度学习的目标检测系统实现 | 第55-71页 |
| 4.1 引言 | 第55页 |
| 4.2 神经网络 | 第55-60页 |
| 4.2.1 神经网络模型的前向传播算法 | 第55-57页 |
| 4.2.2 神经网络模型的反向传播算法 | 第57-58页 |
| 4.2.3 卷积神经网络 | 第58-60页 |
| 4.3 深度学习 | 第60-64页 |
| 4.3.1 深度学习框架Caffe | 第61页 |
| 4.3.2 FastR-CNN系统框架 | 第61-62页 |
| 4.3.3 深度卷积神经网络 | 第62-63页 |
| 4.3.4 RoI池化和候选框分类及边界回归 | 第63-64页 |
| 4.4 实验结果 | 第64-68页 |
| 4.5 本章小结 | 第68-71页 |
| 第五章 结束语 | 第71-75页 |
| 5.1 本文工作总结 | 第71-72页 |
| 5.2 研究展望 | 第72-75页 |
| 致谢 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 作者在学期间取得的学术成果 | 第83页 |
