| 摘要 | 第5-6页 |
| ABSTRAC T | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究的背景和意义 | 第15页 |
| 1.2 国内外发展 | 第15-16页 |
| 1.3 论文的结构安排 | 第16-19页 |
| 第二章 嵌入式系统与传统车辆类型识别方法简介 | 第19-35页 |
| 2.1 嵌入式系统简介 | 第19-23页 |
| 2.2 传统车辆类型识别方法的探究 | 第23-33页 |
| 2.2.1 车辆特征提取方法 | 第23-27页 |
| 2.2.2 通用分类算法 | 第27-33页 |
| 2.3 本章小结 | 第33-35页 |
| 第三章 卷积神经网络的车辆类型识别算法探究 | 第35-51页 |
| 3.1 卷积神经网络简介 | 第35-44页 |
| 3.1.1 神经网络 | 第35-39页 |
| 3.1.2 卷积神经网络组成单元分析 | 第39-44页 |
| 3.2 典型的卷积神经网络模型分析 | 第44-49页 |
| 3.3 本章小结 | 第49-51页 |
| 第四章 卷积神经网络车辆类型识别模型训练 | 第51-67页 |
| 4.1 实验环境概述 | 第51-53页 |
| 4.1.1 数据集 | 第51-52页 |
| 4.1.2 开发环境 | 第52-53页 |
| 4.2 网络训练 | 第53-59页 |
| 4.2.1 训练基于LeNet的车辆类型识别网络模型 | 第53-56页 |
| 4.2.2 训练基于AlexNet的车辆类型识别网络模型 | 第56-58页 |
| 4.2.3 训练基于GoogLeNet的车辆类型识别网络模型 | 第58-59页 |
| 4.3 影响识别率的因素分析 | 第59-65页 |
| 4.3.1 数据量 | 第59-60页 |
| 4.3.2 网络类型 | 第60-61页 |
| 4.3.3 Batchsize | 第61-63页 |
| 4.3.4 Dropout | 第63-64页 |
| 4.3.5 学习率 | 第64-65页 |
| 4.4 车辆类型识别网络模型训练 | 第65-66页 |
| 4.5 本章总结 | 第66-67页 |
| 第五章 车辆类型识别的嵌入式系统开发 | 第67-75页 |
| 5.1 车辆类型识别软件的实现 | 第67-70页 |
| 5.2 车辆类型识别系统的测试 | 第70-74页 |
| 5.3 本章总结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 总结 | 第75页 |
| 6.2 展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 作者简介 | 第83-84页 |
