辅助驾驶中基于单幅图像的复杂道路场景分类方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于底层特征的方法 | 第11-12页 |
| 1.2.2 基于高层特征的方法 | 第12-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 论文的主要工作和组织结构 | 第13-15页 |
| 第2章 复杂道路场景分类的相关理论 | 第15-25页 |
| 2.1 图像特征 | 第15-18页 |
| 2.1.1 GIST特征概述 | 第15-16页 |
| 2.1.2 HOG特征概述 | 第16-18页 |
| 2.1.3 颜色直方图概述 | 第18页 |
| 2.2 PCA特征降维 | 第18-20页 |
| 2.3 支持向量机SVM | 第20-24页 |
| 2.3.1 线性可分情况 | 第21-22页 |
| 2.3.2 线性不可分情况 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于多特征融合的复杂道路场景分类 | 第25-32页 |
| 3.1 方法描述 | 第25-26页 |
| 3.2 特征值提取 | 第26-29页 |
| 3.2.1 GIST特征提取 | 第26-27页 |
| 3.2.2 HOG特征提取 | 第27-28页 |
| 3.2.3 一种改进的颜色直方图特征提取算法 | 第28-29页 |
| 3.3 特征值融合与降维 | 第29-30页 |
| 3.4 训练与分类 | 第30页 |
| 3.5 本章小结 | 第30-32页 |
| 第4章 基于CNN预训练的道路场景分类方法 | 第32-39页 |
| 4.1 引言 | 第32-33页 |
| 4.2 基于CNN的道路场景分类 | 第33-35页 |
| 4.3 训练原理 | 第35-37页 |
| 4.4 CNN特征提取预训练流程 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第5章 实验结果与分析 | 第39-53页 |
| 5.1 实验环境设置 | 第39页 |
| 5.2 实验数据库 | 第39-40页 |
| 5.3 多特征融合的场景分类结果与分析 | 第40-50页 |
| 5.3.1 特征值可视化结果 | 第40-45页 |
| 5.3.2 训练与测试 | 第45-50页 |
| 5.3.3 结果分析 | 第50页 |
| 5.4 基于CNN预训练的场景分类实验结果与分析 | 第50-51页 |
| 5.5 本章小结 | 第51-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第58-59页 |
| 致谢 | 第59页 |
