| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 智能车辆的研究现状 | 第15-17页 |
| 1.2.2 道路检测算法的研究现状 | 第17-19页 |
| 1.3 道路检测算法难点 | 第19-20页 |
| 1.4 论文内容与章节安排 | 第20-22页 |
| 第二章 道路检测数据库及相关技术 | 第22-30页 |
| 2.1 道路数据库及算法性能评价 | 第22-25页 |
| 2.1.1 公开道路数据库的介绍 | 第22-23页 |
| 2.1.2 算法性能评价 | 第23-25页 |
| 2.2 相似性度量方法 | 第25-26页 |
| 2.3 卷积神经网络概述 | 第26-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 图像预处理和分界线的检测 | 第30-46页 |
| 3.1 引言 | 第30页 |
| 3.2 基于颜色特征与熵理论相结合的图像预处理算法 | 第30-34页 |
| 3.2.1 提取颜色特征对 | 第30-32页 |
| 3.2.2 颜色特征对投影 | 第32页 |
| 3.2.3 基于熵理论的图像重建 | 第32-34页 |
| 3.3 基于图像连通域标记的分界线检测算法 | 第34-40页 |
| 3.3.1 分界线的介绍 | 第35页 |
| 3.3.2 图像二值化 | 第35-36页 |
| 3.3.3 形态学运算 | 第36-37页 |
| 3.3.4 图像连通域的标记 | 第37-39页 |
| 3.3.5 基于图像连通域标记的分界线检测 | 第39-40页 |
| 3.4 实验仿真与分析 | 第40-44页 |
| 3.4.1 数据库的介绍 | 第40-42页 |
| 3.4.2 图像预处理算法的实验结果与分析 | 第42-43页 |
| 3.4.3 分界线检测算法的实验结果与分析 | 第43-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 基于密度峰值聚类的道路检测 | 第46-64页 |
| 4.1 引言 | 第46页 |
| 4.2 图像融合与特征提取 | 第46-49页 |
| 4.2.1 图像融合 | 第46-47页 |
| 4.2.2 特征提取 | 第47-49页 |
| 4.3 图像切分 | 第49-50页 |
| 4.4 密度峰值聚类算法原理 | 第50-56页 |
| 4.4.1 参数的初始化 | 第51-53页 |
| 4.4.2 聚类中心的确定 | 第53-54页 |
| 4.4.3 非聚类中心点的归类 | 第54-55页 |
| 4.4.4 异常点的处理 | 第55-56页 |
| 4.5 基于密度峰值聚类的道路识别 | 第56-57页 |
| 4.5.1 特征提取 | 第56页 |
| 4.5.2 基于密度峰值聚类的道路识别 | 第56-57页 |
| 4.6 实验仿真与分析 | 第57-62页 |
| 4.7 本章小结 | 第62-64页 |
| 第五章 基于全卷积网络的道路检测 | 第64-74页 |
| 5.1 引言 | 第64页 |
| 5.2 全卷积网络概述 | 第64-66页 |
| 5.3 基于全卷积网络的道路检测 | 第66-69页 |
| 5.3.1 全卷积结构模型的构造 | 第66-68页 |
| 5.3.2 全卷积结构模型的训练 | 第68-69页 |
| 5.4 实验仿真与分析 | 第69-72页 |
| 5.4.1 数据库的介绍 | 第69-70页 |
| 5.4.2 实验结果与分析 | 第70-72页 |
| 5.5 本章小结 | 第72-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 论文工作总结 | 第74-75页 |
| 6.2 未来工作展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |