| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-23页 |
| 1.1 课题研究的背景及意义 | 第14-16页 |
| 1.1.1 课题研究的背景 | 第14页 |
| 1.1.2 图像检测的国内外发展现状 | 第14-15页 |
| 1.1.3 深度学习与卷积神经网络的研究现状 | 第15-16页 |
| 1.1.4 课题研究的意义 | 第16页 |
| 1.2 图像检测技术面临的主要问题 | 第16-20页 |
| 1.3 论文完成的主要工作及创新之处 | 第20-23页 |
| 1.3.1 论文完成的主要研究工作以及论文结构安排 | 第20-22页 |
| 1.3.2 论文创新处 | 第22-23页 |
| 第二章 传统图像处理算法的基础理论知识与技术 | 第23-31页 |
| 2.1 传统图像处理技术的相关基础理论 | 第23页 |
| 2.2 传统图像特征提取算法 | 第23-26页 |
| 2.2.1 梯度方向直方图算子 | 第23-24页 |
| 2.2.2 尺度不变特征变换算子 | 第24-26页 |
| 2.3 统计学习方法经典特征分类器SVM | 第26-28页 |
| 2.4 传统图像目标检测算法 | 第28-29页 |
| 2.4.1 HOG和SVM行人检测算法 | 第28页 |
| 2.4.2 行人检测算法实验结果分析 | 第28-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 卷积神经网络介绍及其检测算法技术研究 | 第31-44页 |
| 3.1 卷积神经网络层级结构及其优化算法 | 第31-38页 |
| 3.1.1 卷积神经网络层级结构 | 第31-37页 |
| 3.1.2 卷积神经网络优化算法 | 第37-38页 |
| 3.2 基于候选区域的图像检测算法研究 | 第38-41页 |
| 3.2.1 R-CNN目标检测算法 | 第38-39页 |
| 3.2.2 Fast-RCNN目标检测算法 | 第39-40页 |
| 3.2.3 Faster-RCNN目标检测算法 | 第40-41页 |
| 3.3 基于CNN的一级图像检测算法研究 | 第41-42页 |
| 3.3.1 YOLO快速目标检测算法 | 第41页 |
| 3.3.2 SSD目标检测算法 | 第41-42页 |
| 3.4 图像检测算法性能对比 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于改进Faster-RCNN的图像检测算法 | 第44-60页 |
| 4.1 实验数据预处理 | 第44-47页 |
| 4.1.1 实验数据准备 | 第44-45页 |
| 4.1.2 数据预处理 | 第45-47页 |
| 4.2 基于CAFFE框架的深度学习平台 | 第47页 |
| 4.3 卷积神经网络模型设计 | 第47-52页 |
| 4.3.1 基于残差结构的特征提取网络 | 第48-50页 |
| 4.3.2 多尺度图像输入的模型集成训练方法 | 第50-51页 |
| 4.3.3 优化算法区域候选框特征提取模块 | 第51-52页 |
| 4.3.4 基于改进Faster-RCNN的图像检测算法模型总体框架 | 第52页 |
| 4.4 基于卷积神经网络的交通标志检测实验 | 第52-59页 |
| 4.4.1 实验参数设置 | 第52-53页 |
| 4.4.2 实验环境搭建与模型性能指标 | 第53-54页 |
| 4.4.3 实验结果与分析 | 第54-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 基于卷积神经网络的快速图像检测算法 | 第60-68页 |
| 5.1 快速目标检测算法模型设计 | 第60-62页 |
| 5.1.1 算法的基本思路 | 第60-61页 |
| 5.1.2 构建基于改进Faster-RCNN的快速目标检测算法模型 | 第61-62页 |
| 5.2 实验结果与分析 | 第62-67页 |
| 5.3 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读学位期间发表的论文 | 第74-76页 |
| 致谢 | 第76页 |
