基于视觉的城市道路检测算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 道路检测技术研究现状 | 第9-12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 2 基于单目相机的道路检测技术研究 | 第14-30页 |
| 2.1 引言 | 第14页 |
| 2.2 图像预处理 | 第14-19页 |
| 2.2.1 颜色空间 | 第14-16页 |
| 2.2.2 常用图像滤波与增强算法 | 第16-19页 |
| 2.3 道路阴影消除 | 第19-23页 |
| 2.4 道路消失点检测 | 第23-27页 |
| 2.4.1 广义的拉普拉斯滤波算子 | 第23-26页 |
| 2.4.2 像素点方向估计 | 第26-27页 |
| 2.4.3 投票获得消失点 | 第27页 |
| 2.5 道路分割 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 3 基于双目相机的道路检测技术研究 | 第30-38页 |
| 3.1 双目视觉系统介绍 | 第30-33页 |
| 3.1.1 双目视觉系统原理 | 第30-31页 |
| 3.1.2 视差 | 第31页 |
| 3.1.3 双目视觉系统相机标定 | 第31-32页 |
| 3.1.4 双目视觉里的图像匹配 | 第32-33页 |
| 3.2 利用双目视觉实现道路分割 | 第33-37页 |
| 3.2.1 u,v视差 | 第33-34页 |
| 3.2.2 利用v-视差图分割道路平面 | 第34-37页 |
| 3.3 本章小结 | 第37-38页 |
| 4 基于深度学习的道路检测技术研究 | 第38-49页 |
| 4.1 深度学习技术 | 第38-39页 |
| 4.1.1 背景 | 第38-39页 |
| 4.1.2 常用网络模型 | 第39页 |
| 4.2 深度学习在道路检测上的应用 | 第39-41页 |
| 4.3 卷积碎片网络实现道路分割 | 第41-44页 |
| 4.3.1 网络架构以及卷积网络训练 | 第41-42页 |
| 4.3.2 空间信息的结合 | 第42页 |
| 4.3.3 网络训练和优化 | 第42-44页 |
| 4.4 实验 | 第44-48页 |
| 4.4.1 道路检测 | 第44-46页 |
| 4.4.2 城市场景理解 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 总结与展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-58页 |
