基于深度学习的车联网智能路灯系统中的图像处理方法
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景与意义 | 第10-12页 |
| 1.2 各项技术的国内外发展现状 | 第12-16页 |
| 1.2.1 车联网技术的发展现状 | 第12-13页 |
| 1.2.2 图像处理技术的发展现状 | 第13-16页 |
| 1.3 本文结构和章节安排 | 第16-17页 |
| 第二章 基础理论和相关技术 | 第17-34页 |
| 2.1 图像处理的主要研究任务 | 第17-25页 |
| 2.1.1 图像的预处理 | 第17-20页 |
| 2.1.2 图像的特征提取 | 第20-25页 |
| 2.2 深度学习理论 | 第25-32页 |
| 2.2.1 神经网络与深度学习 | 第25-31页 |
| 2.2.2 卷积神经网络 | 第31-32页 |
| 2.3 本章小结 | 第32-34页 |
| 第三章 交通图像目标检测算法研究 | 第34-47页 |
| 3.1 麻省理工学院街景数据库数据集 | 第34-36页 |
| 3.2 Fast-RCNN目标检测算法 | 第36-41页 |
| 3.2.1 网络的基本结构与算法流程 | 第36-37页 |
| 3.2.2 网络的训练 | 第37-39页 |
| 3.2.3 训练与结果 | 第39-41页 |
| 3.3 YOLO目标检测算法 | 第41-46页 |
| 3.3.1 基本思想 | 第41-42页 |
| 3.3.2 网络结构 | 第42-44页 |
| 3.3.3 模型训练 | 第44-46页 |
| 3.4 本章小节 | 第46-47页 |
| 第四章 改进的YOLO算法 | 第47-63页 |
| 4.1 智能路灯系统中目标的特性分析 | 第47-48页 |
| 4.2 基于输入尺度的改进 | 第48-51页 |
| 4.3 基于卷积神经网络的改进 | 第51-56页 |
| 4.3.1 算法的检测流程设计 | 第51-52页 |
| 4.3.2 算法的训练与测试流程设计 | 第52-54页 |
| 4.3.3 算法的前后向传播 | 第54-56页 |
| 4.4 实验结果和对比 | 第56-59页 |
| 4.5 结果分析 | 第59-62页 |
| 4.5.1 混淆矩阵分析 | 第59-60页 |
| 4.5.2 ROC曲线 | 第60-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 改进的目标检测模型在智能路灯系统中的应用 | 第63-74页 |
| 5.1 交通信号灯智能调控系统 | 第63-69页 |
| 5.1.1 功能设计 | 第63-64页 |
| 5.1.2 路边单元 | 第64-65页 |
| 5.1.3 智能交通信号灯 | 第65-67页 |
| 5.1.4 仿真测试 | 第67-69页 |
| 5.2 汽车失火事故智能检测系统 | 第69-73页 |
| 5.2.1 功能设计 | 第69-70页 |
| 5.2.2 路边单元 | 第70-72页 |
| 5.2.3 云数据平台 | 第72页 |
| 5.2.4 道路火灾车辆的检测效果 | 第72-73页 |
| 5.3 本章小节 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 全文总结 | 第74-75页 |
| 6.2 全文展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 攻硕期间取得的研究成果 | 第80页 |
