| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要工作 | 第11-13页 |
| 第二章 传统的视频目标检测方法 | 第13-19页 |
| 2.1. 经典的目标检测方法概述 | 第13-14页 |
| 2.1.1. Viola-Jones人脸检测器 | 第13-14页 |
| 2.1.2. 可变形部件(DPM) | 第14页 |
| 2.2. 基于Adaboost的目标检测技术及其在车道线检测中的应用 | 第14-19页 |
| 2.2.1. Adaboost算法的具体过程 | 第15-17页 |
| 2.2.2. Adaboost在车道线检测中的应用 | 第17-19页 |
| 第三章 基于深度卷积网络的目标检测框架 | 第19-32页 |
| 3.1. 深度卷积网络概述 | 第19-25页 |
| 3.1.1. 卷积层 | 第20-23页 |
| 3.1.2. 下采样层 | 第23-24页 |
| 3.1.3. Inception层 | 第24-25页 |
| 3.2. 深度卷积网络的训练与学习 | 第25-26页 |
| 3.3. Caffe深度学习框架 | 第26-28页 |
| 3.4. 基于卷积网络的检测算法原理 | 第28-32页 |
| 3.4.1. 基于区域提名的目标检测算法 | 第28-30页 |
| 3.4.2. 端到端(End-to-End) | 第30-32页 |
| 第四章 基于ERF-Net的视频目标检测算法 | 第32-39页 |
| 4.1. 引言 | 第32页 |
| 4.2. 基于ERF-Net的目标检测算法框架 | 第32-38页 |
| 4.2.1. ERF-Net网络结构的卷积层设计 | 第33-35页 |
| 4.2.2. 网络训练与算法实现 | 第35-38页 |
| 4.3. 本章小结 | 第38-39页 |
| 第五章 面向视频监控的车道线检测系统实现和性能分析 | 第39-47页 |
| 5.1. 数据库和实验环境 | 第39页 |
| 5.2. 评价指标 | 第39页 |
| 5.3. 实验结果 | 第39-43页 |
| 5.3.1. 正常路面的实验结果 | 第40-41页 |
| 5.3.2. 破损路面的实验结果 | 第41-42页 |
| 5.3.3. 光线明暗对算法鲁棒性的影响 | 第42-43页 |
| 5.4. 与现有方法的对比实验 | 第43-45页 |
| 5.5. 面向视频监控的车道线(路肩)检测系统的搭建 | 第45-47页 |
| 第六章 总结与展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 在校期间研究成果 | 第51-52页 |
| 致谢 | 第52-53页 |
