基于逻辑回归与深度卷积网络的应急车道车辆检测与分类方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 车辆检测与识别的国内外研究现状 | 第10-12页 |
| 1.3 论文的主要工作和内容安排 | 第12-14页 |
| 第二章 图像检测基础理论与深度学习 | 第14-26页 |
| 2.1 图像预处理 | 第14-19页 |
| 2.1.1 图像灰度化 | 第14-15页 |
| 2.1.2 图像平滑处理 | 第15-18页 |
| 2.1.3 图像二值化 | 第18-19页 |
| 2.2 边缘检测 | 第19-23页 |
| 2.2.1 Sobel算子 | 第19-20页 |
| 2.2.2 Canny算子 | 第20-21页 |
| 2.2.3 Laplacian算子 | 第21-23页 |
| 2.3 Hough直线检测 | 第23-24页 |
| 2.4 深度学习概述 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于逻辑回归的车辆检测方法 | 第26-41页 |
| 3.1 传统的车辆检测方法概述 | 第26-30页 |
| 3.2 逻辑回归模型 | 第30-34页 |
| 3.2.1 Logistic分布 | 第30-31页 |
| 3.2.2 二项逻辑回归模型 | 第31-32页 |
| 3.2.3 极大似然估计 | 第32-33页 |
| 3.2.4 梯度下降法 | 第33-34页 |
| 3.3 车辆检测方法 | 第34-40页 |
| 3.3.1 HOG特征提取 | 第34-37页 |
| 3.3.2 训练分类模型 | 第37-39页 |
| 3.3.3 应急车道区域检测 | 第39页 |
| 3.3.4 车辆检测 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于深度卷积网络的车辆分类识别算法 | 第41-50页 |
| 4.1 卷积神经网络结构 | 第41-43页 |
| 4.1.1 卷积层 | 第41-42页 |
| 4.1.2 池化层 | 第42页 |
| 4.1.3 全连接层 | 第42-43页 |
| 4.1.4 Softmax分类器 | 第43页 |
| 4.2 卷积网络的训练 | 第43-44页 |
| 4.3 车辆分类识别方案 | 第44-47页 |
| 4.3.1 特征的提取 | 第45-46页 |
| 4.3.2 车辆的识别 | 第46-47页 |
| 4.4 模型改进 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 实验结果与分析 | 第50-59页 |
| 5.1 实验数据 | 第50-51页 |
| 5.2 实验环境 | 第51页 |
| 5.3 实验结果与分析 | 第51-58页 |
| 5.3.1 车辆检测 | 第51-53页 |
| 5.3.2 车辆分类 | 第53-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结和展望 | 第59-61页 |
| 6.1 工作总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第66页 |
