| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 交通标识检测的研究现状 | 第12-18页 |
| 1.2.1 基于运动检测的方法 | 第12-13页 |
| 1.2.2 基于特征学习的检测方法 | 第13-17页 |
| 1.2.2.1 基于机器学习的检测算法研究现状 | 第14-15页 |
| 1.2.2.2 基于深度学习的检测算法研究现状 | 第15-17页 |
| 1.2.3 实际应用研究现状 | 第17-18页 |
| 1.3 本文研究内容与章节安排 | 第18-20页 |
| 1.3.1 本文主要研究内容 | 第18页 |
| 1.3.2 章节安排 | 第18-20页 |
| 第二章 基于多分辨率CNN的路口快速分类 | 第20-34页 |
| 2.1 引言 | 第20-22页 |
| 2.2 本章算法框架 | 第22-23页 |
| 2.3 基于多分辨率CNN的特征提取网络 | 第23-24页 |
| 2.4 本章网络模型 | 第24-28页 |
| 2.5 实验结果及分析 | 第28-33页 |
| 2.5.1 实验环境 | 第28-29页 |
| 2.5.2 实验数据库 | 第29-30页 |
| 2.5.3 训练网络 | 第30页 |
| 2.5.4 主观结果评测 | 第30-32页 |
| 2.5.5 客观结果评测 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 基于多级特征的交通标识实时检测方法 | 第34-49页 |
| 3.1 引言 | 第34页 |
| 3.2 本章算法框架 | 第34-35页 |
| 3.3 网络的多级特征提取结构设计 | 第35-37页 |
| 3.4 网络的多级回归结构设计 | 第37-38页 |
| 3.5 本章检测网络结构 | 第38-40页 |
| 3.6 使用卷积拆分方式的算法加速方法 | 第40-42页 |
| 3.7 实验结果及分析 | 第42-48页 |
| 3.7.1 实验环境 | 第42-43页 |
| 3.7.2 构建路口场景下交通标识检测数据库 | 第43-44页 |
| 3.7.3 网络模型的训练 | 第44页 |
| 3.7.4 检测结果及分析 | 第44-48页 |
| 3.7.4.1 主观检测结果评测及分析 | 第44-45页 |
| 3.7.4.2 客观检测结果评测及分析 | 第45-48页 |
| 3.8 本章小结 | 第48-49页 |
| 第四章 基于超像素候选区域的微型交通标识检测 | 第49-60页 |
| 4.1 引言 | 第49页 |
| 4.2 本章算法框架 | 第49-50页 |
| 4.3 基于超像素分割的候选区域生成方法 | 第50-54页 |
| 4.3.1 超像素的生成与合并 | 第50-53页 |
| 4.3.2 候选区域生成 | 第53-54页 |
| 4.4 本章的网络结构设计 | 第54-55页 |
| 4.5 实验结果及分析 | 第55-59页 |
| 4.5.1 网络训练 | 第55-56页 |
| 4.5.2 检测结果及分析 | 第56-59页 |
| 4.5.2.1 主观检测结果评测及分析 | 第56-57页 |
| 4.5.2.2 客观检测结果评测及分析 | 第57-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 嵌入式平台下的算法移植与优化 | 第60-72页 |
| 5.1 引言 | 第60页 |
| 5.2 嵌入式平台系统结构设计 | 第60-62页 |
| 5.2.1 NVIDIA-JETSON-TX2开发平台 | 第60-61页 |
| 5.2.2 本章系统结构 | 第61-62页 |
| 5.3 关键模块实现方法 | 第62-66页 |
| 5.3.1 本章语音交互模块设计 | 第63-65页 |
| 5.3.2 本章的局部路径规划、导航模块设计 | 第65-66页 |
| 5.4 算法工程移植及结果分析 | 第66-71页 |
| 5.4.1 算法工程移植 | 第66-67页 |
| 5.4.2 基于GPU计算的算法优化 | 第67-68页 |
| 5.4.3 代码优化 | 第68-70页 |
| 5.4.4 初步实验结果 | 第70-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第六章 全文总结与展望 | 第72-74页 |
| 6.1 全文总结 | 第72-73页 |
| 6.2 后续工作展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间取得的成果 | 第81页 |