面向智能车的前方车辆识别技术研究及视觉感知系统设计
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景与意义 | 第9-12页 |
| 1.2 智能车研究现状 | 第12-15页 |
| 1.2.1 国外智能车研究现状 | 第12-14页 |
| 1.2.2 国内智能车研究现状 | 第14-15页 |
| 1.3 基于视觉的车辆检测概述 | 第15-18页 |
| 1.3.1 基于先验特征的车辆检测方法 | 第15-16页 |
| 1.3.2 基于光流场的车辆检测方法 | 第16页 |
| 1.3.3 基于模版的车辆检测方法 | 第16-17页 |
| 1.3.4 基于机器学习的车辆检测方法 | 第17-18页 |
| 1.4 本文主要研究内容 | 第18-19页 |
| 第二章 智能车视觉感知系统实验平台设计 | 第19-26页 |
| 2.1 智能车视觉感知系统的硬件 | 第19-22页 |
| 2.1.1 传感器选择 | 第19页 |
| 2.1.2 系统硬件 | 第19-22页 |
| 2.2 智能车视觉感知系统功能 | 第22-25页 |
| 2.2.1 道路检测 | 第22-23页 |
| 2.2.2 行人检测 | 第23-24页 |
| 2.2.3 车辆检测 | 第24页 |
| 2.2.4 交通标志检测 | 第24-25页 |
| 2.2.5 交通信号灯检测 | 第25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于可变部件模型的前方车辆识别 | 第26-38页 |
| 3.1 可变形部件模型原理 | 第26-33页 |
| 3.1.1 可变部件模型架构 | 第26-27页 |
| 3.1.2 HOG特征提取 | 第27-29页 |
| 3.1.3 PCA和解析降维 | 第29页 |
| 3.1.4 HOG特征图像金字塔 | 第29-30页 |
| 3.1.5 LSVM分类器 | 第30-33页 |
| 3.2 基于DPM的车辆检测 | 第33-37页 |
| 3.2.1 车辆模型训练 | 第33-34页 |
| 3.2.2 模型的初始化 | 第34-35页 |
| 3.2.3 车辆检测过程 | 第35-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 基于卷积神经网络的前方车辆识别 | 第38-52页 |
| 4.1 卷积神经网络模型架构 | 第38-43页 |
| 4.1.1 卷积层 | 第39-41页 |
| 4.1.2 池化层 | 第41-43页 |
| 4.2 卷积神经网络的训练方法 | 第43-45页 |
| 4.3 车辆模型训练 | 第45-49页 |
| 4.3.1 构建卷积神经网络 | 第45-47页 |
| 4.3.2 数据流可视化 | 第47-49页 |
| 4.4 特征提取实验 | 第49-51页 |
| 4.4.1 HOG特征提取实验 | 第49-50页 |
| 4.4.2 实验分析 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 基于DPM+CNN的前方车辆识别 | 第52-60页 |
| 5.1 基于DPM+CNN的前方车辆检测算法 | 第52-54页 |
| 5.1.1 卷积神经网络模型的构建 | 第53页 |
| 5.1.2 模型训练及匹配过程 | 第53-54页 |
| 5.2 车辆识别样本数据库制作 | 第54-55页 |
| 5.3 实验验证与结果分析 | 第55-58页 |
| 5.3.1 十折交叉验证 | 第55-56页 |
| 5.3.2 模型在车辆数据集上的检测实验 | 第56-58页 |
| 5.4 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间研究成果 | 第65-66页 |
| 致谢 | 第66页 |
