| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题的研究背景 | 第10-12页 |
| 1.2 车辆检测算法研究进展综述 | 第12-16页 |
| 1.2.1 基于视觉的车辆检测 | 第13-14页 |
| 1.2.2 基于视觉和激光雷达信息融合的车辆检测 | 第14-16页 |
| 1.3 车辆检测技术关键问题分析 | 第16页 |
| 1.4 本文的研究内容和意义 | 第16-18页 |
| 1.4.1 研究内容 | 第16-17页 |
| 1.4.2 研究意义 | 第17-18页 |
| 第二章 可变形部件模型基本原理 | 第18-28页 |
| 2.1 可变形部件模型简介 | 第18-19页 |
| 2.2 可变形部件模型建模 | 第19-20页 |
| 2.3 模板匹配 | 第20-21页 |
| 2.4 LatentSVM | 第21-23页 |
| 2.4.1 半凸优化目标函数 | 第21-22页 |
| 2.4.2 目标优化方法 | 第22-23页 |
| 2.5 LatentSVM训练模型 | 第23-25页 |
| 2.6 可变形部件模型目标检测 | 第25-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第三章 基于双车辆可变形部件模型的车辆检测算法 | 第28-41页 |
| 3.1 双车辆可变形部件模型 | 第28-30页 |
| 3.1.1 车辆漏检分析 | 第28-29页 |
| 3.1.2 双车辆可变形部件框架概述 | 第29-30页 |
| 3.2 模型训练图像数据库简介 | 第30-32页 |
| 3.2.1 KITTI数据集 | 第30-31页 |
| 3.2.2 PASCALVOC数据集 | 第31-32页 |
| 3.3 双车辆可变形部件模型训练 | 第32-34页 |
| 3.4 模型匹配及融合 | 第34-36页 |
| 3.5 评价方法 | 第36-37页 |
| 3.5.1 混淆矩阵 | 第36-37页 |
| 3.5.2 ROC曲线 | 第37页 |
| 3.6 实验结果与分析 | 第37-39页 |
| 3.7 本章小结 | 第39-41页 |
| 第四章 基于深度金字塔双车辆可变形部件模型的车辆检测算法 | 第41-52页 |
| 4.1 检测算法概述 | 第41页 |
| 4.2 深度金字塔双车辆可变形部件模型 | 第41-47页 |
| 4.2.1 输入图像数据 | 第42-43页 |
| 4.2.2 部件检测映射 | 第43-44页 |
| 4.2.3 变形处理层 | 第44-46页 |
| 4.2.4 可视化推理及分类层 | 第46-47页 |
| 4.3 检测窗口的校验与判别 | 第47-49页 |
| 4.4 实验结果与分析 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 车辆检测算法在无人驾驶平台上的应用 | 第52-58页 |
| 5.1 无人驾驶平台简介 | 第52页 |
| 5.2 硬件平台介绍 | 第52-55页 |
| 5.2.1 定位系统 | 第53页 |
| 5.2.2 感知系统 | 第53-54页 |
| 5.2.3 数据处理中心及配套硬件设施 | 第54-55页 |
| 5.2.4 控制系统 | 第55页 |
| 5.3 车辆检测算法应用 | 第55-57页 |
| 5.3.1 软件界面及操作说明 | 第55页 |
| 5.3.2 编译环境配置 | 第55-56页 |
| 5.3.3 车辆检测算法在无人驾驶汽车平台试验实例 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 全文总结 | 第58页 |
| 6.2 进一步研究的工作展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间参加的科研项目及学术成果 | 第65页 |