| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 本文的主要工作和结构 | 第16-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 非结构化道路检测算法相关研究 | 第19-31页 |
| 2.1 基于特征的道路检测相关算法研究 | 第19-26页 |
| 2.1.1 基于灰度特征的方法 | 第19-20页 |
| 2.1.2 基于色彩特征的方法 | 第20-26页 |
| 2.1.3 基于纹理特征的方法 | 第26页 |
| 2.2 基于模型的道路检测相关算法研究 | 第26-29页 |
| 2.2.1 基于直线模型的方法 | 第27页 |
| 2.2.2 基于二次曲线模型的方法 | 第27-28页 |
| 2.2.3 基于回旋曲线模型的方法 | 第28-29页 |
| 2.2.4 基于样条曲线模型的方法 | 第29页 |
| 2.3 非结构化道路检测算法中存在的问题与难点 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 结合特征与模型的启发式道路检测算法 | 第31-48页 |
| 3.1 特征与模型相结合的非结构化道路检测算法 | 第31-36页 |
| 3.1.1 基于多层神经网络的道路分割方法分析 | 第32-34页 |
| 3.1.2 基于二次曲线模型的道路边界拟合方法分析 | 第34-36页 |
| 3.2 改进的道路分割方法 | 第36-40页 |
| 3.2.1 基于 HSV 色彩空间的特征提取 | 第36-38页 |
| 3.2.2 改进的道路区域分割方案 | 第38-40页 |
| 3.3 基于消失点估计的启发式道路边界拟合 | 第40-45页 |
| 3.3.1 条件概率密度传播 | 第41-43页 |
| 3.3.2 启发式道路边界拟合 | 第43-45页 |
| 3.4 特征与模型相结合的启发式道路检测算法 | 第45-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第4章 GPU 的加速处理 | 第48-53页 |
| 4.1 GPGPU 与 NVIDIA CUDA | 第48-49页 |
| 4.2 任务划分策略 | 第49-50页 |
| 4.3 异步加速处理策略 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 实验验证及结果分析 | 第53-61页 |
| 5.0 实验平台 | 第53页 |
| 5.1 实验设计 | 第53页 |
| 5.2 算法鲁棒性分析 | 第53-58页 |
| 5.2.1 改进的基于多层神经网络的道路分割算法性能分析 | 第53-55页 |
| 5.2.2 算法检测效果分析 | 第55-56页 |
| 5.2.3 像素级的定量检测性能评估 | 第56-57页 |
| 5.2.4 消失点估计的性能分析 | 第57-58页 |
| 5.3 算法实时性提升对比分析 | 第58-60页 |
| 5.3.1 任务划分策略性能分析 | 第58-59页 |
| 5.3.2 异步加速处理的性能分析 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 附录A 攻读学位期间发表的学位论文目录 | 第67-68页 |
| 附录B 攻读学位期间所参加的科研项目目录 | 第68-69页 |
| 致谢 | 第69页 |