摘要 | 第6-8页 |
ABSTRACT | 第8-10页 |
第1章 绪论 | 第14-21页 |
1.1 研究背景与意义 | 第14-16页 |
1.2 国内外无人驾驶汽车研究现状 | 第16-18页 |
1.2.1 国外无人驾驶研究现状 | 第16-17页 |
1.2.2 国内无人驾驶研究现状 | 第17-18页 |
1.3 无人驾驶的路标识别研究现状 | 第18-19页 |
1.4 本文的主要工作和章节主要内容 | 第19-21页 |
1.4.1 主要工作 | 第19-20页 |
1.4.2 章节主要内容 | 第20-21页 |
第2章 路标识别的常用算法 | 第21-37页 |
2.1 模板匹配法 | 第21-26页 |
2.1.1 图像金字塔 | 第22-23页 |
2.1.2 基于灰度值的匹配 | 第23页 |
2.1.3 基于形状的模板匹配 | 第23-24页 |
2.1.4 基于点的模板匹配 | 第24-26页 |
2.2 传统的机器学习法 | 第26-33页 |
2.2.1 决策树算法 | 第27-29页 |
2.2.2 K邻近学习算法 | 第29-30页 |
2.2.3 支持向量机 | 第30-33页 |
2.3 深度学习与卷积神经网络 | 第33-36页 |
2.3.1 深度学习的发展 | 第33-35页 |
2.3.2 卷积神经网络 | 第35-36页 |
2.4 本章小结 | 第36-37页 |
第3章 投影变换下基于形状的模板匹配路标识别算法 | 第37-56页 |
3.1 投影变换 | 第37-40页 |
3.1.1 齐次坐标 | 第37-38页 |
3.1.2 相似变换 | 第38页 |
3.1.3 仿射变换 | 第38-39页 |
3.1.4 投影变换 | 第39-40页 |
3.2 车载摄像机标定 | 第40-42页 |
3.2.1 相机内参标定 | 第40-41页 |
3.2.2 相机外参标定 | 第41-42页 |
3.3 标定板的模板匹配实验 | 第42-45页 |
3.4 路标图像的模板匹配 | 第45-55页 |
3.4.0 图像灰度化 | 第45-47页 |
3.4.1 图像增强 | 第47-50页 |
3.4.2 图像的阈值分割 | 第50-51页 |
3.4.3 形态学操作 | 第51-52页 |
3.4.4 特征直方图细分割 | 第52-53页 |
3.4.5 实验结果与分析 | 第53-55页 |
3.5 本章小结 | 第55-56页 |
第4章 基于模块化CNN结构的路标识别算法 | 第56-78页 |
4.1 卷积神经网络不同层的结构原理分析与设计 | 第56-60页 |
4.1.1 卷积层的设计 | 第56-58页 |
4.1.2 汇合层的设计 | 第58页 |
4.1.3 激活函数的选择与全连接层设计 | 第58-60页 |
4.2 基于路标识别的卷积神经网络模型架构 | 第60-65页 |
4.2.1 经典卷积神经网络模型特征分析 | 第60-63页 |
4.2.2 基于路标识别的卷积神经网络整体设计 | 第63-65页 |
4.3 基于路标识别的卷积神经网络参数的计算 | 第65-67页 |
4.3.1 参数的初始化 | 第65页 |
4.3.2 前向传播中的参数计算 | 第65-66页 |
4.3.3 后向传播中的参数计算 | 第66-67页 |
4.4 开发环境搭建 | 第67-70页 |
4.4.1 Anaconda搭建 | 第67-68页 |
4.4.2 TensorFlow框架配置 | 第68-70页 |
4.5 数据集的预处理 | 第70-73页 |
4.5.1 数据集介绍 | 第70-71页 |
4.5.2 数据集可视化操处理 | 第71-72页 |
4.5.3 数据集的降维与归一化处理 | 第72-73页 |
4.6 实验结果与分析 | 第73-77页 |
4.7 本章小结 | 第77-78页 |
第5章 基于模块化CNN结构的路标识别算法参数优化 | 第78-87页 |
5.1 数据集的扩充 | 第78-79页 |
5.2 图像灰度化与直方图均衡化处理 | 第79-81页 |
5.3 增加Dropout层 | 第81-82页 |
5.4 实验结果与分析 | 第82-86页 |
5.5 本章小结 | 第86-87页 |
第6章 全文总结与展望 | 第87-89页 |
6.1 全文总结 | 第87页 |
6.2 全文展望 | 第87-89页 |
参考文献 | 第89-93页 |
附录 | 第93-94页 |
致谢 | 第94-95页 |
攻读学位期间参加的科研项目和成果 | 第95页 |