摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第14-18页 |
1.1 研究背景与意义 | 第14-15页 |
1.2 研究目标与研究内容 | 第15-16页 |
1.3 实验数据 | 第16-17页 |
1.4 论文结构 | 第17-18页 |
第二章 道路分割与提取方法的研究现状 | 第18-24页 |
2.1 道路提取的研究现状 | 第18-20页 |
2.2 目标分割的研究现状 | 第20-23页 |
2.3 超图的研究现状 | 第23页 |
2.4 本章小节 | 第23-24页 |
第三章 基于支持向量机和超图的道路分割与提取算法 | 第24-46页 |
3.1 图像分辨率及道路特征 | 第24-30页 |
3.1.1 图像分辨率 | 第24-27页 |
3.1.2 颜色特征 | 第27-28页 |
3.1.3 纹理特征 | 第28-29页 |
3.1.4 形状特征 | 第29-30页 |
3.1.5 上下文特征 | 第30页 |
3.2 融合支持向量机和霍夫变换的道路分割改进算法 | 第30-40页 |
3.2.1 支持向量机理论 | 第31-35页 |
3.2.2 基于超像素分割的预处理方法 | 第35-38页 |
3.2.3 融合霍夫变换的优化方法 | 第38-40页 |
3.3 基于超图的道路分割与提取 | 第40-44页 |
3.3.1 超图的定义 | 第41-42页 |
3.3.2 常见超图学习算法 | 第42-44页 |
3.3.3 基于超图的道路分割与提取方法 | 第44页 |
3.4 本章小结 | 第44-46页 |
第四章 基于递归神经网络的道路分割与提取算法 | 第46-62页 |
4.1 全卷积神经网络 | 第46-50页 |
4.2 基于递归神经网络的道路分割 | 第50-56页 |
4.2.1 条件随机场 | 第50-52页 |
4.2.2 引入条件随机场的卷积神经网络 | 第52-54页 |
4.2.3 端到端的训练网络 | 第54-56页 |
4.3 采用多尺度训练与形态学后处理的改进算法 | 第56-61页 |
4.3.1 多尺度训练 | 第57-60页 |
4.3.2 形态学后处理 | 第60-61页 |
4.4 本章小结 | 第61-62页 |
第五章 结果与讨论 | 第62-76页 |
5.1 基于支持向量机的道路分割与提取实验 | 第62-68页 |
5.2 基于超图的道路分割与提取实验 | 第68-70页 |
5.3 基于递归神经网络的道路分割与提取实验 | 第70-72页 |
5.4 对比实验 | 第72-75页 |
5.5 本章小结 | 第75-76页 |
第六章 总结与展望 | 第76-78页 |
6.1 本文工作总结 | 第76-77页 |
6.2 未来的工作 | 第77-78页 |
参考文献 | 第78-84页 |
致谢 | 第84页 |