无人驾驶车辆道路场景环境建模
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 引言 | 第8页 |
| 1.2 研究背景及意义 | 第8-9页 |
| 1.2.1 研究背景 | 第8-9页 |
| 1.2.2 研究意义 | 第9页 |
| 1.3 国内外研究现状 | 第9-11页 |
| 1.3.1 道路、车道线与车道线检测 | 第9-11页 |
| 1.3.2 道路场景理解国内外研究现状 | 第11页 |
| 1.4 研究内容及论文章节安排 | 第11-12页 |
| 1.4.1 研究内容 | 第11页 |
| 1.4.2 论文章节安排 | 第11-12页 |
| 1.5 本章小结 | 第12-14页 |
| 2 多车道线、标准道路边界检测及车道线虚实检测 | 第14-26页 |
| 2.1 引言 | 第14页 |
| 2.2 多车道线与道路边缘检测 | 第14-22页 |
| 2.2.1 道路图像预处理 | 第14-15页 |
| 2.2.2 数学形态学与二值化 | 第15-18页 |
| 2.2.3 道路边界或车道线的确定 | 第18-22页 |
| 2.3 车道线虚实检测 | 第22-25页 |
| 2.3.1 预处理 | 第22页 |
| 2.3.2 高斯平滑 | 第22-23页 |
| 2.3.3 图像细化与非本车道干扰点消除 | 第23-24页 |
| 2.3.4 虚实检测 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 基于深度学习的道路场景理解 | 第26-46页 |
| 3.1 引言 | 第26-27页 |
| 3.2 深度学习 | 第27-31页 |
| 3.2.1 深度学习的发展与现状 | 第27-28页 |
| 3.2.2 深度学习在计算机视觉中的应用 | 第28-31页 |
| 3.3 卷积神经网络与全卷积神经网络 | 第31-35页 |
| 3.3.1 卷积神经网络的发展 | 第31-32页 |
| 3.3.2 卷积神经网络的结构和特点 | 第32-33页 |
| 3.3.3 卷积神经网络的优缺点 | 第33页 |
| 3.3.4 全卷积神经网络与语义分割 | 第33-35页 |
| 3.4 基于深度卷积网络的道路场景语义分割 | 第35-44页 |
| 3.4.1 网络结构介绍 | 第35-38页 |
| 3.4.2 数据集标注与实验准备 | 第38-39页 |
| 3.4.3 模型训练 | 第39页 |
| 3.4.4 实验结果分析与对比 | 第39-44页 |
| 3.5 本章小结 | 第44-46页 |
| 4 基于多传感器融合的环境建模 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 交通参与者信息提取 | 第46-50页 |
| 4.2.1 车辆与行人信息参数提取 | 第46-49页 |
| 4.2.2 车道线方程提取 | 第49-50页 |
| 4.3 基于毫米波雷达融合的参数校正 | 第50-53页 |
| 4.3.1 毫米波雷达数据解析 | 第50-53页 |
| 4.4 无人驾驶汽车环境感知软件系统的开发与设计 | 第53-56页 |
| 4.4.1 系统整体框架设计 | 第53页 |
| 4.4.2 开发工具介绍 | 第53页 |
| 4.4.3 软件整体结构分析 | 第53-54页 |
| 4.4.4 基本功能实现 | 第54-56页 |
| 4.5 本章小结 | 第56-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 全文总结 | 第58页 |
| 5.2 工作展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-64页 |
