| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景以及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要内容及章节安排 | 第13-16页 |
| 第二章 图像预处理及车道线检测 | 第16-33页 |
| 2.1 图像预处理 | 第16-23页 |
| 2.1.1 灰度化处理 | 第16-17页 |
| 2.1.2 图像滤波 | 第17-20页 |
| 2.1.3 图像边缘检测 | 第20-23页 |
| 2.2 车道线检测 | 第23-32页 |
| 2.2.1 ROI区域提取 | 第23-25页 |
| 2.2.2 直线检测 | 第25-26页 |
| 2.2.3 直线聚类与拟合 | 第26-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 基于深度学习的车辆及行人目标检测 | 第33-48页 |
| 3.1 车载视频的道路目标检测算法思路设计 | 第33页 |
| 3.2 目标检测算法 | 第33-37页 |
| 3.2.1 目标检测指标 | 第34-35页 |
| 3.2.2 传统的目标检测方法 | 第35-36页 |
| 3.2.3 基于区域的深度学习目标检测方法 | 第36-37页 |
| 3.3 基于YOLO的目标检测 | 第37-47页 |
| 3.3.1 YOLO在车载视频道路目标检测中的优势 | 第37-38页 |
| 3.3.2 目标检测器设计 | 第38-43页 |
| 3.3.3 实验结果与分析 | 第43-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 多目标实时跟踪器设计 | 第48-60页 |
| 4.1 多目标实时跟踪算法思路设计 | 第48-49页 |
| 4.2 基于Deep-SORT的多目标跟踪 | 第49-51页 |
| 4.2.1 Deep-SORT算法在多目标跟踪中的优势 | 第49-50页 |
| 4.2.2 Deep-SORT算法结构分析 | 第50-51页 |
| 4.3 卡尔曼滤波跟踪算法 | 第51-54页 |
| 4.4 基于匈牙利算法的预测匹配 | 第54-58页 |
| 4.4.1 基于马氏距离的运动匹配 | 第54-55页 |
| 4.4.2 基于特征向量最小余弦距离的表观匹配 | 第55-57页 |
| 4.4.3 基于匈牙利算法的多目标分配 | 第57-58页 |
| 4.5 实验结果与分析 | 第58-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 系统实验平台开发与实验结果分析 | 第60-69页 |
| 5.1 实验开发环境 | 第60页 |
| 5.2 训练样本与测试样本 | 第60-62页 |
| 5.3 系统测试结果与分析 | 第62-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 论文总结 | 第69-70页 |
| 6.2 论文进一步的工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间取得的成果 | 第76页 |