基于机器视觉的车道线检测和交通标志识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 车道线检测研究现状 | 第11-12页 |
| 1.2.2 交通标志识别研究现状 | 第12-14页 |
| 1.3 论文主要工作 | 第14页 |
| 1.4 主要研究内容 | 第14-16页 |
| 第二章 机器视觉目标检测原理 | 第16-24页 |
| 2.1 机器视觉和机器学习 | 第16页 |
| 2.2 卷积神经网络 | 第16-18页 |
| 2.2.1 卷积神经网络算法原理 | 第17-18页 |
| 2.2.2 卷积神经网络训练 | 第18页 |
| 2.3 目标检测网络 | 第18-23页 |
| 2.3.1 区域卷积神经网络算法 | 第19页 |
| 2.3.2 空间金字塔池化算法 | 第19-20页 |
| 2.3.3 快速R-CNN算法 | 第20-21页 |
| 2.3.4 FasterR-CNN算法 | 第21页 |
| 2.3.5 YOLO算法 | 第21-22页 |
| 2.3.6 SSD算法 | 第22页 |
| 2.3.7 目标检测算法的比较分析 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 车道线检测 | 第24-40页 |
| 3.1 道路图像预处理 | 第24-32页 |
| 3.1.1 道路图像的灰度化 | 第24-25页 |
| 3.1.2 感兴趣区域划分 | 第25-27页 |
| 3.1.3 车道线边缘提取 | 第27-30页 |
| 3.1.4 图像滤波 | 第30-32页 |
| 3.2 车道线检测 | 第32-37页 |
| 3.2.1 最小二乘法 | 第32-33页 |
| 3.2.2 Hough变换 | 第33-35页 |
| 3.2.3 对Hough变换的改进 | 第35页 |
| 3.2.4 车道线追踪 | 第35-37页 |
| 3.3 实验结果与分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 路面交通标志识别 | 第40-60页 |
| 4.1 获取路面交通标志数据集 | 第41-43页 |
| 4.1.1 数据采集 | 第41页 |
| 4.1.2 数据预处理 | 第41-42页 |
| 4.1.3 数据标注 | 第42-43页 |
| 4.2 构建网络框架 | 第43-46页 |
| 4.2.1 SSD网络结构 | 第43-44页 |
| 4.2.2 SSD网络原理 | 第44-46页 |
| 4.2.3 损失函数 | 第46页 |
| 4.3 SSD模型验证及参数选取 | 第46-50页 |
| 4.3.1 迭代次数 | 第47-48页 |
| 4.3.2 输入层尺寸 | 第48-49页 |
| 4.3.3 批量尺寸大小 | 第49-50页 |
| 4.4 实验及结果分析 | 第50-56页 |
| 4.4.1 实验测试及结果 | 第50-53页 |
| 4.4.2 实验漏检情况分析 | 第53-56页 |
| 4.5 模型改进 | 第56-59页 |
| 4.5.1 模型结构改进 | 第56-57页 |
| 4.5.2 评价参数 | 第57-58页 |
| 4.5.3 实验结果 | 第58-59页 |
| 4.6 本章小结 | 第59-60页 |
| 结论与展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 附件 | 第69页 |
