基于视觉的无人车环境中的多目标检测算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 课题来源 | 第13页 |
| 1.2 研究背景与意义 | 第13-14页 |
| 1.2.1 研究背景 | 第13页 |
| 1.2.2 研究意义 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-16页 |
| 1.3.1 国外研究现状 | 第14-15页 |
| 1.3.2 国内研究现状 | 第15-16页 |
| 1.4 发展趋势 | 第16页 |
| 1.5 本文主要工作 | 第16-17页 |
| 1.6 本文的结构 | 第17-19页 |
| 第2章 多目标检测相关知识研究 | 第19-34页 |
| 2.1 多目标检测框架 | 第19页 |
| 2.2 预处理 | 第19-22页 |
| 2.2.1 背景 | 第19-20页 |
| 2.2.2 图像降噪处理 | 第20-21页 |
| 2.2.3 数据归一化 | 第21-22页 |
| 2.2.4 白化处理 | 第22页 |
| 2.3 目标区域提取 | 第22-25页 |
| 2.3.1 基于边缘检测的方法 | 第23页 |
| 2.3.2 阈值分割方法 | 第23页 |
| 2.3.3 基于聚类的分割方法 | 第23页 |
| 2.3.4 区域生长与分水岭算法 | 第23-24页 |
| 2.3.5 视觉注意机制 | 第24-25页 |
| 2.4 目标特征表达 | 第25-32页 |
| 2.4.1 浅层特征 | 第25-28页 |
| 2.4.2 深度特征 | 第28-32页 |
| 2.5 目标分类与校验 | 第32-33页 |
| 2.6 小结 | 第33-34页 |
| 第3章 结合分割和视觉注意机制的目标区域提取算法 | 第34-49页 |
| 3.1 目标区域提取框架 | 第34-35页 |
| 3.2 感兴趣区域获取 | 第35-36页 |
| 3.3 目标区域提取 | 第36-43页 |
| 3.3.1 图像分割 | 第37-38页 |
| 3.3.2 图像信息计算 | 第38-40页 |
| 3.3.3 图像信息融合 | 第40-41页 |
| 3.3.4 目标区域集 | 第41-43页 |
| 3.4 实验 | 第43-47页 |
| 3.4.1 实验平台 | 第43页 |
| 3.4.2 实验数据 | 第43-44页 |
| 3.4.3 目标区域提取的实现 | 第44-47页 |
| 3.5 小结 | 第47-49页 |
| 第4章 结合多种特性的多目标检测算法 | 第49-61页 |
| 4.1 非负稀疏编码 | 第50-52页 |
| 4.2 非负局部线性约束编码 | 第52-54页 |
| 4.3 基本学习模型 | 第54-55页 |
| 4.4 深度学习模型 | 第55-56页 |
| 4.5 实验 | 第56-60页 |
| 4.6 小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 附录A 攻读学位期间所发表的学术论文 | 第68-69页 |
| 附录B 攻读硕士期间参与的项目列表 | 第69-70页 |
| 致谢 | 第70页 |
