一种基于GoogLeNet神经网络的复杂交叉路口识别与简化方法

目录

声明

第一章 绪论

1.1 研究背景和意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 复杂交叉路口识别研究现状

1.2.2 曲线特征点提取研究现状

1.2.3 复杂交叉路口主辅路识别研究现状

1.3 现有复杂交叉路口的识别方法及存在的主要问题

1.3.1 现有复杂交叉路口的识别方法

1.3.2 现有方法存在的不足

1.4 本文研究主要内容与技术路线

1.4.1 研究内容

1.4.2 技术路线

1.5 本章小结

第二章 GoogLeNet神经网络模型

2.1 GoogLeNet神经网络

2.2 卷积

2.3 激活函数

2.4 最大池化

2.5 SoftMax损失函数

2.6 本章小结

第三章 基于GoogLeNet神经网络的复杂交叉路口识别方法

3.1 全国范围样本的选取

3.2 采样参数的确定

3.2.1 样本不同分辨率对比

3.2.2 样本不同范围对比

3.2.3 样本不同尺寸对比

3.3 样本的增强

3.3.1 样本的简化

3.3.2 样本的旋转和镜像

3.4 样本的预处理

3.5 样本训练

3.6 本章小结

第四章 多特征约束下的复杂交叉路口主辅路识别方法

4.1 主干道的识别

4.1.1 特征点的提取

4.1.2 识别平行簇

4.2 匝道的识别

4.3 主路口的简化

4.4 本章小结

第五章 实验与分析

5.1 实验平台与测试环境

5.2 复杂交叉路口识别实验

5.2.1 实验数据

5.2.2 识别准确度分析

5.2.3 视觉认知分析

5.2.4 定位精度分析

5.2.5 结论

5.3 复杂交叉路口的主辅路识别实验

5.3.1 实验数据

5.3.2 识别准确度分析

5.3.3 视觉认知分析

5.3.4 结论

5.4 本章小结

第六章 总结及展望

6.1 总结

6.2 展望

参考文献

在读期间公开发表的论文

致谢