| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外相关研究和综述 | 第9-11页 |
| 1.2.1 道路提取方法 | 第9-10页 |
| 1.2.2 地理位置信息定位 | 第10-11页 |
| 1.3 问题总结与分析 | 第11页 |
| 1.4 本文主要工作 | 第11-12页 |
| 1.5 本文组织结构 | 第12-13页 |
| 第2章 道路提取方法研究 | 第13-21页 |
| 2.1 引言 | 第13页 |
| 2.2 传统道路提取方法 | 第13-15页 |
| 2.2.1 基于数学形态学法 | 第13-14页 |
| 2.2.2 霍夫变换法 | 第14-15页 |
| 2.2.3 P参数分割法 | 第15页 |
| 2.3 改进的基于遗传算法与SVM相结合的道路提取方法 | 第15-20页 |
| 2.3.1 遗传算法 | 第15-17页 |
| 2.3.2 支持向量机SVM | 第17-18页 |
| 2.3.3 改进的道路提取方法 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 道路信息定位研究 | 第21-29页 |
| 3.1 引言 | 第21页 |
| 3.2 相关准备工作 | 第21-23页 |
| 3.3 图片对匹配方法 | 第23页 |
| 3.4 图片对特征提取与改进的提取方法 | 第23-26页 |
| 3.5 灾难区域位置定位 | 第26-28页 |
| 3.6 本章小结 | 第28-29页 |
| 第4章 实验结果分析及结论 | 第29-57页 |
| 4.1 引言 | 第29页 |
| 4.2 道路提取方法实验结果及分析 | 第29-47页 |
| 4.2.1 道路提取方法准备 | 第29-32页 |
| 4.2.2 视频分帧与视频合成实验结果 | 第32-34页 |
| 4.2.3 传统道路提取方法实验结果 | 第34-41页 |
| 4.2.4 基于遗传算法与SVM结合的方法实验结果 | 第41-42页 |
| 4.2.5 实验结果分析 | 第42-47页 |
| 4.3 基于深度卷积神经网络的道路信息定位实现 | 第47-56页 |
| 4.3.1 相关准备工作 | 第47-49页 |
| 4.3.2 网络模型 | 第49-51页 |
| 4.3.3 GPU加速处理 | 第51-52页 |
| 4.3.4 道路信息定位 | 第52页 |
| 4.3.5 实验结果分析 | 第52-56页 |
| 4.4 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间发表的论文 | 第63-65页 |
| 致谢 | 第65页 |