| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 引言 | 第9页 |
| 1.2 选题背景及意义 | 第9-10页 |
| 1.3 国内外导盲技术研究现状 | 第10-12页 |
| 1.4 论文主要研究内容 | 第12页 |
| 1.5 论文章节安排 | 第12-14页 |
| 第二章 神经网络和图像处理理论基础 | 第14-24页 |
| 2.1 人工神经网络 | 第14-17页 |
| 2.1.1 感知器 | 第14-16页 |
| 2.1.2 深度信念网络 | 第16-17页 |
| 2.2 卷积神经网络 | 第17-20页 |
| 2.2.1 结构特点 | 第17-19页 |
| 2.2.2 训练策略 | 第19-20页 |
| 2.3 图像处理 | 第20-23页 |
| 2.3.1 图像预处理 | 第20-23页 |
| 2.3.2 数据增广 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于卷积神经网络的障碍物识别模型设计 | 第24-52页 |
| 3.1 传统目标检测算法概述 | 第24-28页 |
| 3.1.1 Viola-Jones检测器 | 第24-26页 |
| 3.1.2 基于HOG特征和SVM的检测算法 | 第26页 |
| 3.1.3 DPM算法 | 第26-28页 |
| 3.1.4 传统目标检测算法的缺点 | 第28页 |
| 3.2 基于卷积神经网络的目标检测算法 | 第28-39页 |
| 3.2.1 R-CNN | 第28-30页 |
| 3.2.2 Faster R-CNN | 第30-32页 |
| 3.2.3 SSD | 第32-35页 |
| 3.2.4 YOLOv | 第35-39页 |
| 3.2.5 算法对比实验 | 第39页 |
| 3.3 障碍物识别方案设计 | 第39-44页 |
| 3.3.1 数据集 | 第39-40页 |
| 3.3.2 基于YOLOv3 改进的障碍物识别算法 | 第40-44页 |
| 3.4 障碍物识别算法的实验与分析 | 第44-51页 |
| 3.4.1 实验环境 | 第44-45页 |
| 3.4.2 训练策略及参数配置 | 第45-46页 |
| 3.4.3 算法对比及分析 | 第46-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 障碍物识别系统的总体设计与实现 | 第52-67页 |
| 4.1 系统的总体方案设计 | 第52页 |
| 4.2 图像采集模块的研究与实现 | 第52-59页 |
| 4.2.1 双目测距的原理 | 第52-53页 |
| 4.2.2 相机标定和立体校正 | 第53-56页 |
| 4.2.3 立体匹配和测距 | 第56-58页 |
| 4.2.4 双目测距的系统设计 | 第58-59页 |
| 4.3 硬件平台的研究与部署 | 第59-62页 |
| 4.3.1 硬件平台 | 第59-60页 |
| 4.3.2 采集模块的部署 | 第60-61页 |
| 4.3.3 语音合成模块的部署 | 第61-62页 |
| 4.4 云服务器的部署 | 第62-64页 |
| 4.5 Socket | 第64-66页 |
| 4.6 本章小结 | 第66-67页 |
| 第五章 系统的测试与分析 | 第67-78页 |
| 5.1 障碍物识别系统的硬件测试 | 第67-69页 |
| 5.1.1 硬件平台的搭建 | 第67页 |
| 5.1.2 图像采集模块的测试 | 第67-69页 |
| 5.2 障碍物识别系统的云服务器端测试 | 第69-71页 |
| 5.3 障碍物识别系统的整体测试 | 第71-77页 |
| 5.3.1 系统的传输测试 | 第71-72页 |
| 5.3.2 系统的功能测试 | 第72-76页 |
| 5.3.3 系统的耗时测试 | 第76-77页 |
| 5.4 本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 总结 | 第78-79页 |
| 6.2 展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 附录 | 第85-86页 |