无人驾驶车辆双目视觉障碍物检测研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 选题背景与研究意义 | 第13-14页 |
| 1.2 双目视觉技术发展现状 | 第14-15页 |
| 1.2.1 全局匹配算法发展现状 | 第14页 |
| 1.2.2 局部匹配算法发展现状 | 第14-15页 |
| 1.3 视觉障碍物视觉检测技术发展现状 | 第15-17页 |
| 1.3.1 单目视觉障碍物检测发展现状 | 第15-16页 |
| 1.3.2 双目视觉障碍物检测发展现状 | 第16-17页 |
| 1.4 论文主要研究内容与章节安排 | 第17-20页 |
| 第2章 双目视觉及立体匹配原理 | 第20-30页 |
| 2.1 引言 | 第20页 |
| 2.2 双目视觉原理 | 第20-23页 |
| 2.2.1 成像原理 | 第20-21页 |
| 2.2.2 平行光轴视觉模型及坐标关系 | 第21-22页 |
| 2.2.3 双目校正 | 第22-23页 |
| 2.3 立体匹配技术 | 第23-28页 |
| 2.3.1 立体匹配一般步骤 | 第23-24页 |
| 2.3.2 约束准则 | 第24-26页 |
| 2.3.3 常用相似性测度 | 第26-27页 |
| 2.3.4 测试平台与评价标准 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 改进孪生卷积神经网络的立体匹配算法 | 第30-49页 |
| 3.1 引言 | 第30页 |
| 3.2 卷积神经网络介绍 | 第30-35页 |
| 3.2.1 生物机理 | 第30-31页 |
| 3.2.2 典型CNN的层结构 | 第31-35页 |
| 3.3 改进孪生卷积神经网络的视差计算 | 第35-43页 |
| 3.3.1 孪生卷积神经网络设计 | 第36-38页 |
| 3.3.2 孪生卷积神经网络训练 | 第38-41页 |
| 3.3.3 匹配代价计算与后续处理 | 第41-43页 |
| 3.4 实验结果与分析 | 第43-46页 |
| 3.4.1 运行环境 | 第43页 |
| 3.4.2 网络结构参数选择实验 | 第43-45页 |
| 3.4.3 视差图生成对比实验 | 第45-46页 |
| 3.5 本章小结 | 第46-49页 |
| 第4章 改进V视差法的障碍物检测方法 | 第49-62页 |
| 4.1 引言 | 第49页 |
| 4.2 V视差障碍物检测原理 | 第49-53页 |
| 4.2.1 V视差原理 | 第49-51页 |
| 4.2.2 V视差图的面特征 | 第51-53页 |
| 4.3 障碍物检测 | 第53-57页 |
| 4.3.1 问题分析 | 第53-54页 |
| 4.3.2 路面斜线提取 | 第54-56页 |
| 4.3.3 障碍物区域判定 | 第56-57页 |
| 4.4 实验结果与分析 | 第57-60页 |
| 4.4.1 障碍物检测实验 | 第57-60页 |
| 4.4.2 阈值T_v对障碍物检测结果影响 | 第60页 |
| 4.5 本章小结 | 第60-62页 |
| 第5章 基于点云图的障碍物检测方法 | 第62-78页 |
| 5.1 引言 | 第62页 |
| 5.2 点云获取与简化 | 第62-65页 |
| 5.2.1 点云获取 | 第62-63页 |
| 5.2.2 点云简化 | 第63-65页 |
| 5.3 点云密度与栅格化 | 第65-69页 |
| 5.3.1 点云密度定义 | 第65-67页 |
| 5.3.2 俯视栅格化 | 第67-69页 |
| 5.4 点云障碍物检测 | 第69-71页 |
| 5.4.1 路面理想点云密度 | 第69-70页 |
| 5.4.2 障碍物检测 | 第70-71页 |
| 5.5 实验结果与分析 | 第71-76页 |
| 5.5.1 障碍图生成实验 | 第71-73页 |
| 5.5.2 V视差法与点云图法障碍物检测对比 | 第73-76页 |
| 5.6 本章小结 | 第76-78页 |
| 第6章 总结与展望 | 第78-80页 |
| 6.1 总结 | 第78页 |
| 6.2 展望 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 攻读硕士学位期间发表的学术论文 | 第84-85页 |
| 致谢 | 第85页 |
