| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 智能驾驶研究现状 | 第10-11页 |
| 1.2.2 道路检测方法研究现状 | 第11-14页 |
| 1.3 本文主要研究内容及章节安排 | 第14-15页 |
| 第2章 人工神经网络 | 第15-23页 |
| 2.1 人工神经网络的发展 | 第15-17页 |
| 2.2 神经网络的经典模型 | 第17-21页 |
| 2.2.1 BP神经网络 | 第17-20页 |
| 2.2.2 卷积神经网络 | 第20-21页 |
| 2.3 神经网络的深层模型 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于BP神经网络的道路视觉检测 | 第23-38页 |
| 3.1 主流特征提取方法 | 第23-24页 |
| 3.2 相关LBP特征介绍 | 第24-27页 |
| 3.2.1 基本LBP (Local Binary Pattern) | 第24页 |
| 3.2.2 圆形LBP (Circle LBP) | 第24-25页 |
| 3.2.3 旋转不变LBP(Rotation Invariant LBP) | 第25页 |
| 3.2.4 等价模式LBP (Uniform Pattern LBP) | 第25-26页 |
| 3.2.5 局部三值模式(LTP) | 第26-27页 |
| 3.2.6 中心对称局部二值模式(Center Symmetric LBP) | 第27页 |
| 3.3 本文提出的创新特征算法 | 第27-30页 |
| 3.3.1 LLP特征算法(Local line Pattern) | 第27-29页 |
| 3.3.2 LLP+Uniform Pattern LBP | 第29-30页 |
| 3.4 创建道路数据库 | 第30-32页 |
| 3.4.1 原始道路图像的采集 | 第30-31页 |
| 3.4.2 原始道路图像的标定 | 第31-32页 |
| 3.5 实验部分 | 第32-37页 |
| 3.5.1 各种特征提取 | 第32-33页 |
| 3.5.2 BP神经网络测试 | 第33-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 基于卷积神经网络的道路视觉检测 | 第38-51页 |
| 4.1 Caffe深度学习框架 | 第38-39页 |
| 4.1.1 Caffe深度学习框架简介 | 第38-39页 |
| 4.1.2 Caffe深度学习框架模型解析 | 第39页 |
| 4.2 主流的深度学习模型 | 第39-41页 |
| 4.3 VGGNet卷积神经网络 | 第41-45页 |
| 4.4 VGGNet修改后的VGG-N卷积神经网络 | 第45-47页 |
| 4.5 实验部分 | 第47-50页 |
| 4.5.1 卷积神经网络道路检测方法流程 | 第47-48页 |
| 4.5.2 实验结果分析 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第5章 总结与展望 | 第51-52页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间主要科研成果 | 第58页 |
