一、面向复杂路况和动态环境的车道线检测

• **整体流程：**首先进行失真图像转换，采用叠加阈值的边缘检测算法，通过ROI提取和逆透视变换获得车道线的鸟瞰图。然后基于三阶B样条曲线模型采用RANSAC算法对车道线进行曲线拟合，并对曲线进行拟合评价和曲率半径计算。
• 1. 失真图像转换
• 2. 边缘检测和逆透视变换
• 3. 车道线拟合算法
• 实验结果

二、基于卷积神经网络的交通标志检测与识别

• **整体流程：**首先采用HSV颜色空间进行空间阈值分割，基于形状特征对交通标志进行有效检测。然后对经典LeNet-5卷积神经网络模型进行较大改进，包括采用Gabor核作为初始卷积核，在池化层后加入BN数据规范化处理，选择Adam法作为优化器算法以及在全连接层加入Dropout等。最后基于GTSRB数据集进行交通标志分类识别实验，并与其他识别算法进行综合性能对比。
• 1. 交通标志检测
• 2. 改进的LeNet-5卷积神经网络模型
• 实验结果与数据集

三、基于改进YOLOv3模型的行人检测

• **整体流程：**对YOLOv3网络模型进行合理改进，包括调整栅格单元的划分尺寸，采用改进的k-means聚类算法，基于扩大感受野对多尺度边界框预测，以及采用Soft-NMS算法。最后分别基于INRIA行人数据集和PASCAL VOC 2012数据集进行检测实验，测试改进算法在多种复杂场景中的综合检测性能
• YOLOv3的不足
• 改进的YOLOv3网络模型

四、基于改进SSD模型的车辆检测