基于深度学习的单目视觉车辆检测与跟踪研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 第一章 绪论 | 第16-23页 |
| 1.1 课题研究背景与意义 | 第16-17页 |
| 1.2 国内外相关研究状况综述 | 第17-20页 |
| 1.2.1 基于视觉的车道线检测技术综述 | 第17-18页 |
| 1.2.2 基于视觉的车辆检测技术综述 | 第18-19页 |
| 1.2.3 深度学习综述 | 第19-20页 |
| 1.3 课题来源与本文主要工作 | 第20-22页 |
| 1.3.1 课题来源 | 第20页 |
| 1.3.2 论文主要研究内容 | 第20-21页 |
| 1.3.3 论文章节安排 | 第21-22页 |
| 1.4 本章小结 | 第22-23页 |
| 第二章 基于车道线特征的车道线识别算法 | 第23-35页 |
| 2.1 图像灰度化 | 第23-24页 |
| 2.2 高斯平滑滤波 | 第24-26页 |
| 2.3 边缘检测 | 第26-30页 |
| 2.3.1 Sobel边缘检测 | 第26-27页 |
| 2.3.2 基于车道线特征的边缘检测算法 | 第27-30页 |
| 2.4 基于改进Hough变换的车道线识别算法 | 第30-34页 |
| 2.4.1 改进Hough变换算法 | 第30-32页 |
| 2.4.2 车道线识别仿真结果 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于卷积神经网络的车辆检测算法 | 第35-59页 |
| 3.1 卷积神经网络 | 第35-37页 |
| 3.1.1 神经网络理论基础 | 第35-36页 |
| 3.1.2 卷积神经网络理论基础 | 第36-37页 |
| 3.2 车辆检测算法研究 | 第37-47页 |
| 3.2.1 车辆数据集的制作 | 第37-39页 |
| 3.2.2 卷积神经网络基本结构 | 第39-42页 |
| 3.2.3 基于卷积神经网络的车辆检测架构 | 第42-47页 |
| 3.3 车辆检测实验与结果分析 | 第47-58页 |
| 3.3.1 Matlab实验平台 | 第47页 |
| 3.3.2 卷积核与特征响应图 | 第47-51页 |
| 3.3.3 车辆检测结果对比分析 | 第51-58页 |
| 3.4 本章小结 | 第58-59页 |
| 第四章 车辆目标跟踪算法研究 | 第59-65页 |
| 4.1 卡尔曼滤波跟踪 | 第59-60页 |
| 4.2 全局域最近邻数据关联算法 | 第60-61页 |
| 4.3 基于GNN算法的车辆目标跟踪算法 | 第61-63页 |
| 4.4 车辆目标跟踪结果分析 | 第63-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 前向碰撞预警系统研究及试验分析 | 第65-80页 |
| 5.1 世界坐标系、摄像机坐标系与图像坐标系 | 第65-66页 |
| 5.2 摄像机标定实验 | 第66-71页 |
| 5.2.1 内部参数标定 | 第67-70页 |
| 5.2.2 外部参数标定 | 第70-71页 |
| 5.3 距离测量试验 | 第71-74页 |
| 5.4 车辆前向碰撞预警系统研究 | 第74-76页 |
| 5.5 车辆前向碰撞预警试验 | 第76-79页 |
| 5.5.1 试验平台 | 第76-77页 |
| 5.5.2 预警试验 | 第77-79页 |
| 5.6 本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-82页 |
| 6.1 主要研究内容与结论 | 第80-81页 |
| 6.2 展望 | 第81-82页 |
| 参考文献 | 第82-85页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第85-86页 |
