基于深度学习的道路车辆检测方法研究
| 摘要 | 第2-3页 |
| ABSTRACT | 第3-4页 |
| 1 绪论 | 第7-19页 |
| 1.1 引言 | 第7-8页 |
| 1.2 基于机器视觉的车辆检测方法研究现状 | 第8-13页 |
| 1.2.1 基于知识的检测方法 | 第8-11页 |
| 1.2.2 基于训练的检测方法 | 第11-13页 |
| 1.2.3 存在的问题 | 第13页 |
| 1.3 深度学习方法研究现状 | 第13-18页 |
| 1.3.1 深度学习的进展 | 第13-14页 |
| 1.3.2 深度学习的技术与应用 | 第14-18页 |
| 1.4 本文主要研究内容 | 第18-19页 |
| 2 基于单目视觉的车底阴影分割算法研究 | 第19-35页 |
| 2.1 引言 | 第19页 |
| 2.2 单目摄像机的标定方法 | 第19-23页 |
| 2.2.1 坐标变换 | 第19-21页 |
| 2.2.2 摄像机成像模型 | 第21-22页 |
| 2.2.3 单目相机参数标定 | 第22-23页 |
| 2.3 日间工况分类方法 | 第23-25页 |
| 2.3.1 工况种类 | 第23-24页 |
| 2.3.2 工况分类算法 | 第24-25页 |
| 2.4 交通场景路面检测 | 第25-29页 |
| 2.5 车辆候选区域确定 | 第29-32页 |
| 2.5.1 车辆底部阴影分割 | 第29-31页 |
| 2.5.2 车辆候选区域提取 | 第31-32页 |
| 2.6 阴影分割实验结果与分析 | 第32-33页 |
| 2.7 本章小结 | 第33-35页 |
| 3 深度学习网络模型设计及训练方法研究 | 第35-45页 |
| 3.1 引言 | 第35页 |
| 3.2 深度学习的模型介绍 | 第35-37页 |
| 3.2.1 深信度网络 | 第35-36页 |
| 3.2.2 自动编码器 | 第36页 |
| 3.2.3 卷积神经网络 | 第36-37页 |
| 3.3 卷积神经网络的设计 | 第37-42页 |
| 3.3.1 卷积与池化层的设计 | 第37-40页 |
| 3.3.2 激活函数的选取 | 第40-42页 |
| 3.4 网络模型的训练方法 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 车辆检测方法研究 | 第45-55页 |
| 4.1 引言 | 第45页 |
| 4.2 样本数据库的建立 | 第45-48页 |
| 4.2.1 样本图像预处理 | 第46-48页 |
| 4.2.2 样本标记 | 第48页 |
| 4.3 面向车辆识别的网络构建 | 第48-53页 |
| 4.3.1 网络结构及其连接 | 第48-50页 |
| 4.3.2 网络训练方式 | 第50-53页 |
| 4.4 实验结果与分析 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 道路试验与结果分析 | 第55-63页 |
| 5.1 引言 | 第55页 |
| 5.2 车辆检测试验结果及分析 | 第55-59页 |
| 5.2.1 检测结果 | 第55-57页 |
| 5.2.2 试验分析 | 第57页 |
| 5.2.3 工况分析 | 第57-59页 |
| 5.3 对比实验及分析 | 第59-62页 |
| 5.3.1 对比实验结果 | 第59-61页 |
| 5.3.2 实验结果分析 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间发表学术论文情况 | 第71-72页 |
| 致谢 | 第72-74页 |
