| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 注释表 | 第10-12页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 深度学习的研究现状 | 第13-15页 |
| 1.2.2 障碍物检测与识别的研究现状 | 第15-19页 |
| 1.3 论文的主要工作及组织结构 | 第19-22页 |
| 1.3.1 本文的主要研究内容 | 第19-20页 |
| 1.3.2 本文的组织结构 | 第20-22页 |
| 第2章 面向图像识别的卷积神经网络基本理论 | 第22-42页 |
| 2.1 卷积神经网络的技术发展 | 第22-23页 |
| 2.2 卷积神经网络的基本结构 | 第23-27页 |
| 2.2.1 卷积层 | 第23-25页 |
| 2.2.2 池化层 | 第25-26页 |
| 2.2.3 全连接层 | 第26-27页 |
| 2.3 卷积神经网络的理论基础 | 第27-38页 |
| 2.3.1 神经元模型 | 第27-32页 |
| 2.3.2 BP算法 | 第32-36页 |
| 2.3.3 学习算法 | 第36-38页 |
| 2.4 卷积神经网络在障碍物检测与识别领域的应用 | 第38-41页 |
| 2.4.1 卷积神经网络的优点 | 第38-40页 |
| 2.4.2 障碍物检测与识别总体方案 | 第40-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第3章 车行环境下的障碍物区域提取 | 第42-60页 |
| 3.1 ROI提取算法的基本概况 | 第42-43页 |
| 3.2 ROI提取方法 | 第43-47页 |
| 3.2.1 基于图像底层特征的ROI提取方法 | 第43-44页 |
| 3.2.2 基于视觉注意模型的ROI提取方法 | 第44-45页 |
| 3.2.3 基于人机交互的ROI提取方法 | 第45-46页 |
| 3.2.4 基于对象的ROI提取方法 | 第46-47页 |
| 3.3 基于改进区域生长的障碍物区域提取 | 第47-53页 |
| 3.3.1 区域生长算法 | 第47-48页 |
| 3.3.2 基于区域生长算法中的最大方差法自动获取阈值 | 第48-49页 |
| 3.3.3 形态学操作 | 第49-53页 |
| 3.3.4 颜色空间变换 | 第53页 |
| 3.4 障碍物区域提取实验与结果分析 | 第53-58页 |
| 3.5 本章小结 | 第58-60页 |
| 第4章 卷积神经网络的训练与优化 | 第60-78页 |
| 4.1 适用于多类障碍物检测与识别的卷积神经网络的设计 | 第60-70页 |
| 4.1.1 经典AlexNet结构模型 | 第60-62页 |
| 4.1.2 深度卷积神经网络模型设计 | 第62-69页 |
| 4.1.3 卷积神经网络的改进 | 第69-70页 |
| 4.2 卷积神经网络的优化策略 | 第70-77页 |
| 4.2.1 特征可视化 | 第70-73页 |
| 4.2.2 局部响应归一化 | 第73-74页 |
| 4.2.3 网络去过拟合 | 第74-77页 |
| 4.3 本章小结 | 第77-78页 |
| 第5章 卷积神经网络下的多类障碍物检测与识别 | 第78-94页 |
| 5.1 实验环境 | 第78-80页 |
| 5.2 实验过程 | 第80-81页 |
| 5.3 检测结果与分析 | 第81-92页 |
| 5.3.1 检测结果 | 第81-90页 |
| 5.3.2 对比实验 | 第90-92页 |
| 5.4 本章讨论 | 第92-93页 |
| 5.5 本章小结 | 第93-94页 |
| 第6章 总结与展望 | 第94-96页 |
| 6.1 全文总结 | 第94-95页 |
| 6.2 展望 | 第95-96页 |
| 参考文献 | 第96-102页 |
| 致谢 | 第102-104页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第104页 |