| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题研究的背景 | 第11-12页 |
| 1.2 课题研究的目的及意义 | 第12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 基于模板匹配的车辆检测算法 | 第13页 |
| 1.3.2 基于先验知识的车辆检测算法 | 第13-14页 |
| 1.3.3 基于机器学习的车辆检测 | 第14-16页 |
| 1.4 本文研究的主要内容和组织架构 | 第16-18页 |
| 1.4.1 本文研究的主要内容 | 第16-17页 |
| 1.4.2 本文的组织架构 | 第17-18页 |
| 第二章 车辆假设区域生成 | 第18-33页 |
| 2.1 图像预处理 | 第18-23页 |
| 2.1.1 图像灰度化 | 第18-19页 |
| 2.1.2 图像去噪 | 第19-22页 |
| 2.1.3 建立感兴趣区域 | 第22-23页 |
| 2.2 基于车辆底部阴影的车辆假设区域生成 | 第23-32页 |
| 2.2.1 自适应阈值的图像二值化 | 第23-28页 |
| 2.2.2 图像的形态学处理 | 第28-31页 |
| 2.2.3 车辆假设区域的生成 | 第31-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 基于卷积神经网络的目标检测 | 第33-54页 |
| 3.1 基于机器学习的目标检测 | 第33页 |
| 3.2 人工神经网络 | 第33-43页 |
| 3.2.1 单个神经元 | 第34-37页 |
| 3.2.2 BP神经网络 | 第37-38页 |
| 3.2.3 人工神经网络的学习 | 第38-39页 |
| 3.2.4 回归模型 | 第39-40页 |
| 3.2.5 Back Propagation算法 | 第40-43页 |
| 3.3 卷积神经网络结构 | 第43-48页 |
| 3.3.1 局部连接 | 第44-45页 |
| 3.3.2 权值共享 | 第45-46页 |
| 3.3.3 池化 | 第46-47页 |
| 3.3.4 卷积神经网络结构 | 第47-48页 |
| 3.4 卷积神经网络的后向传播算法 | 第48-52页 |
| 3.4.1 输出层的残差计算 | 第48页 |
| 3.4.2 下一层为池化层的残差计算 | 第48-49页 |
| 3.4.3 下一层为卷积层的残差计算 | 第49-51页 |
| 3.4.4 卷积神经网络的梯度计算 | 第51-52页 |
| 3.5 Dropout | 第52-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第四章 车辆检测系统的设计与实现 | 第54-67页 |
| 4.1 算法平台 | 第54-55页 |
| 4.2 卷积神经网络结构的设计 | 第55-62页 |
| 4.2.1 数据集信息 | 第55-57页 |
| 4.2.2 重叠采样与非重叠采样对卷积神经网络性能的影响 | 第57-58页 |
| 4.2.3 不同池化层操作对卷积神经网络性能的影响 | 第58-60页 |
| 4.2.4 Dropout对卷积神经网络性能的影响 | 第60-61页 |
| 4.2.5 基于卷积神经网络的车辆分类器设计 | 第61-62页 |
| 4.3 系统设计与实现 | 第62-65页 |
| 4.3.1 算法设计 | 第62-63页 |
| 4.3.2 算法流程 | 第63-64页 |
| 4.3.3 检测结果和评估 | 第64-65页 |
| 4.4 本文小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 全文总结 | 第67-68页 |
| 5.2 未来展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 攻读硕士学位期间取得的研究成果 | 第75-76页 |
| 致谢 | 第76-77页 |
| 附件 | 第77页 |
