| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-13页 |
| 1.2.1 辅助驾驶和无人车研究现状 | 第8-10页 |
| 1.2.2 车辆检测方法研究现状及分析 | 第10-13页 |
| 1.3 论文的主要工作及组织结构 | 第13-16页 |
| 第二章 机器学习及建议窗口相关算法理论 | 第16-30页 |
| 2.1 基于Haar-like特征的AdaBoost算法 | 第16-21页 |
| 2.1.1 Haar-like特征 | 第16-17页 |
| 2.1.2 AdaBoost算法 | 第17-20页 |
| 2.1.3 级联分类器 | 第20-21页 |
| 2.2 建议窗口算法 | 第21-23页 |
| 2.2.1 Edge Boxes算法 | 第21-23页 |
| 2.2.2 BING算法 | 第23页 |
| 2.3 CN-N理论知识 | 第23-28页 |
| 2.3.1 特征提取 | 第24-27页 |
| 2.3.2 分类识别 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于建议窗口与分类器相结合的前方车辆检测 | 第30-52页 |
| 3.1 前方车辆检测的图像预处理 | 第30页 |
| 3.2 基于Haar-like特征的AdaBoost算法检测前方车辆 | 第30-34页 |
| 3.2.1 训练级联分类器 | 第30-31页 |
| 3.2.2 级联分类器检测车辆 | 第31-34页 |
| 3.3 结合Edge Boxes和AdaBoost的前方车辆检测 | 第34-45页 |
| 3.3.1 相机标定 | 第34-39页 |
| 3.3.2 过滤建议窗口 | 第39-40页 |
| 3.3.3 对建议窗口进行车辆检测 | 第40-45页 |
| 3.4 结合Edge Boxes和CNN的前方车辆检测 | 第45-50页 |
| 3.4.1 CNN训练数据集 | 第45页 |
| 3.4.2 CNN网络结构设计 | 第45-47页 |
| 3.4.3 EBCNN检测前方车辆 | 第47-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 实验结果与分析 | 第52-60页 |
| 4.1 查全率和查准率比较 | 第53-55页 |
| 4.2 算法速度比较 | 第55-58页 |
| 4.3 本章小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 全文总结 | 第60-61页 |
| 5.2 课题展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 发表论文和参加科研情况 | 第68-70页 |
| 致谢 | 第70页 |
