基于深度学习的车辆检测算法研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景研究及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 视频车辆检测技术的现状 | 第10-11页 |
| 1.2.2 深度学习在目标检测领域的现状 | 第11-12页 |
| 1.2.3 深度学习框架研究现状 | 第12-13页 |
| 1.3 课题来源和研究内容 | 第13-15页 |
| 1.3.1 课题来源 | 第13页 |
| 1.3.2 研究内容及重难点分析 | 第13-15页 |
| 第2章 目标检测方法分析 | 第15-25页 |
| 2.1 图像预处理 | 第15-18页 |
| 2.1.1 图像增强 | 第15-16页 |
| 2.1.2 中值滤波 | 第16-17页 |
| 2.1.3 形态学处理 | 第17-18页 |
| 2.2 基于高斯混合模型的背景差分法 | 第18-19页 |
| 2.3 光流法 | 第19-22页 |
| 2.4 基于HOG特征及SVM分类的目标检测法 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于深度学习的车辆检测算法 | 第25-46页 |
| 3.1 车辆检测算法框架 | 第25页 |
| 3.2 卷积神经网络 | 第25-35页 |
| 3.2.1 卷积神经网络结构 | 第26-28页 |
| 3.2.2 激活函数 | 第28-30页 |
| 3.2.3 权值共享 | 第30-31页 |
| 3.2.4 卷积神经网络的训练 | 第31-35页 |
| 3.2.4.1 代价函数 | 第31-32页 |
| 3.2.4.2 反向传播算法 | 第32-35页 |
| 3.3 区域建议框的生成 | 第35-42页 |
| 3.3.1 选择性搜索算法生成区域建议框 | 第36-39页 |
| 3.3.2 区域建议网络生成区域建议框 | 第39-42页 |
| 3.4 基于区域建议的检测器Fast RCNN | 第42-44页 |
| 3.5 车辆检测算法的实现 | 第44-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 车辆检测算法在Caffe框架上的实现 | 第46-60页 |
| 4.1 Caffe深度学习框架概述 | 第46-48页 |
| 4.1.1 Caffe深度学习框架的基本介绍 | 第46-48页 |
| 4.1.2 Caffe深度学习框架的特性 | 第48页 |
| 4.2 Caffe深度学习框架的搭建 | 第48-52页 |
| 4.2.1 Caffe环境的准备 | 第49页 |
| 4.2.2 Caffe依赖包解析 | 第49-50页 |
| 4.2.3 Caffe框架安装步骤 | 第50-52页 |
| 4.3 基于Caffe的车辆检测模型训练和测试 | 第52-59页 |
| 4.3.1 网络模型的定义 | 第52-54页 |
| 4.3.2 数据集的建立 | 第54-57页 |
| 4.3.3 网络的训练 | 第57-58页 |
| 4.3.4 样本的测试 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 实验结果分析 | 第60-79页 |
| 5.1 车辆检测算法实现环境 | 第60页 |
| 5.2 车辆检测算法实验结果 | 第60-78页 |
| 5.2.1 算法在不同场景下的检测准确率 | 第60-67页 |
| 5.2.2 算法运行时间 | 第67-68页 |
| 5.2.3 与其他方法的比较 | 第68-78页 |
| 5.3 本章小结 | 第78-79页 |
| 第6章 总结与展望 | 第79-81页 |
| 6.1 总结 | 第79-80页 |
| 6.2 展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-85页 |
| 附录 | 第85页 |
