1.2  研究现状

1.2.1  目标候选框生成

1.2.2  特征提取

1.2.3  分类

1.3  总体技术方案及其社会影响

本课题的主体技术方案运用所学理论和技术手段进行自主驾驶领域单目视觉目标检测项目的算法分析、代码设计和开发，基于无人车、机器人等实际工程目标检测需求的相关背景知识进行合理分析，理解并掌握软件工程管理原理与项目成本控制方法，从工程实用化思路进行目标检测方法的算法研究和设计。

从社会角度来说，课题提出的用于自主驾驶的单目视觉目标检测研究方案对于推动无人驾驶汽车、机器人等工程的研究有重要意义，快速准确的单目视觉目标检测算法可以满足实时目标检测的任务需求，自主驾驶的目标检测结果越准确，无人车的行车状况就能更安全；对于应用机器人进行工业现场作业、医疗辅助乃至建筑的众多领域而言，目标检测结果的准确性直接影响了机器人的工作效果。

1.4  技术方案的经济因素分析

课题提出的用于自主驾驶的单目视觉目标检测研究方案具有广泛而实际的经济意义。首先，相比于装载昂贵的雷达和各类传感器来进行目标检测，本课题研究的方案只需要无人车或机器人装载普通的摄像机，即可达到目标检测的效果；其次，相比于双目视觉目标检测方案，单目视觉目标检测只需要一个相机即可，这也是大多数汽车所具备的车载条件。本方案的研究性价比较高，既可以满足无人车实时目标检测任务对速度和精度的高要求，与此同时，还可以取代现有的无人车所装载的昂贵对的雷达和各类传感器设备，从而降低无人车的生产成本，推动无人车产业的发展，更利于推广和造福社会普通群众。

然而，现有的目标检测方法大多数采用深度学习的方法，需要运行庞大的神经网络，对计算机的硬件条件要求较高，比如图像处理能力强的GPU等，而这样的硬件条件对于现有的无人车和机器人而言，也是较大的经济负担。就研究单目视觉目标检测算法的性价比这一角度而言，在提升单目视觉目标检测算法的准确性和速度的同时，如何降低对高性能昂贵的硬件依赖度也是需要着重考虑的经济因素。

1.5  论文章节布局

本文基于单目视觉以目标检测为研究对象，从目标候选框生成、特征提取和分类角度对自主驾驶领域单目视觉目标检测的发展现状进行回顾和综述，阐述了研究基于单目视觉的目标检测算法的重要性和优点；其次，对相关基础知识卷积神经网络、非极大值抑制和算法所涉及的相关参数的含义进行介绍；随后，详细介绍了R-CNN (Regions with CNN features) 和YOLO (You Only Look Once) 两种目标检测算法；接下来，利用R-CNN和YOLO对高速公路上的行车视频进行目标检测；最后，对用于自主驾驶的单目视觉目标检测研究进行总结。

本毕业论文内容的章节安排如下所示：

第1章， 绪论。该章主要介绍了自主驾驶领域单目视觉目标检测算法的研究背景及意义、研究现状、总体技术方案及其社会影响、技术方案的经济因素分析。

第2章，相关基础知识。该章主要介绍了与R-CNN和YOLO目标检测算法相关的基础知识：卷积神经网络、非极大值抑制原理以及相关参数的含义。

第3章，目标检测算法。该章详细介绍和分析了目标检测算法中较为经典的两个算法：R-CNN和YOLO。

第4章，实验。该章主要介绍了实验平台、实验所用数据库、评价指标、实验过程和结果分析。

2  相关基础知识

本章主要针对研究算法中重要的相关基础知识进行介绍，分为3个部分：卷积神经网络、非极大值抑制和算法中涉及的相关参数的含义。