| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 课题背景 | 第12-13页 |
| 1.4 本文的研究内容和结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 相关知识介绍 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 双目视觉系统介绍 | 第15-19页 |
| 2.2.1 双目视觉系统原理 | 第15-16页 |
| 2.2.2 立体视觉匹配算法 | 第16-18页 |
| 2.2.3 U-视差和V-视差的原理及应用 | 第18-19页 |
| 2.3 基于深度学习的道路检测原理介绍 | 第19-22页 |
| 2.3.1 Caffe框架 | 第19-20页 |
| 2.3.2 深度卷积神经网络 | 第20-21页 |
| 2.3.3 深度卷积神经网络在道路检测方面的应用 | 第21-22页 |
| 2.4 数据集介绍 | 第22-23页 |
| 2.4.1 校园道路数据集 | 第22页 |
| 2.4.2 KITTI数据集 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 3 基于消失点约束和最短路径规划的道路检测方法 | 第25-47页 |
| 3.1 引言 | 第25-27页 |
| 3.2 基于双目视觉的道路检测原理 | 第27-28页 |
| 3.3 基于gLoG滤波器的消失点检测方法 | 第28-31页 |
| 3.3.1 gLoG的定义 | 第28-30页 |
| 3.3.2 gLoG纹理方向图 | 第30-31页 |
| 3.3.3 使用纹理方向投票得到消失点位置 | 第31页 |
| 3.4 基于双目视觉的消失点检测方法 | 第31-34页 |
| 3.4.1 改进的V-视差图 | 第31-32页 |
| 3.4.2 改进的道路剖面直线检测方法 | 第32-33页 |
| 3.4.3 消失点检测方法 | 第33-34页 |
| 3.5 基于消失点约束和最短路径规划的道路检测模型 | 第34-40页 |
| 3.5.1 图模型的构建 | 第34-35页 |
| 3.5.2 代价图的生成 | 第35-39页 |
| 3.5.3 Vp-ShortestPath模型 | 第39-40页 |
| 3.6 实验结果和分析 | 第40-44页 |
| 3.6.1 消失线和消失点检测实验 | 第40-42页 |
| 3.6.2 道路检测实验 | 第42-44页 |
| 3.7 本章小结 | 第44-47页 |
| 4 全卷积神经网络和多传感器融合道路检测方法 | 第47-59页 |
| 4.1 引言 | 第47-48页 |
| 4.2 DeepLab网络结构简介 | 第48-49页 |
| 4.3 Disparity-Aware-Loss模型 | 第49-51页 |
| 4.4 多传感器融合的道路检测方法 | 第51-55页 |
| 4.4.1 基于雷达逆深度图的Line-Scanning道路检测方法 | 第51-52页 |
| 4.4.2 条件随机场 | 第52-53页 |
| 4.4.3 Pairwise CRFs多传感器融合方法 | 第53-55页 |
| 4.5 实验结果 | 第55-58页 |
| 4.5.1 参数设置 | 第55-56页 |
| 4.5.2 实验结果和分析 | 第56-58页 |
| 4.6 本章小结 | 第58-59页 |
| 5 基于双目视觉的道路环境凸障碍物检测方法 | 第59-65页 |
| 5.1 引言 | 第59-60页 |
| 5.2 基于U-视差图的凸障碍物检测方法 | 第60-61页 |
| 5.3 实验结果 | 第61-63页 |
| 5.4 本章小结 | 第63-65页 |
| 6 结束语 | 第65-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-77页 |
| 附录 | 第77页 |
