| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 车辆检测综述 | 第16-18页 |
| 1.2.2 车辆检测技术的实现难点 | 第18-19页 |
| 1.3 本文主要研究内容和结构安排 | 第19-21页 |
| 第2章 基于卷积神经网络的车辆图像分类 | 第21-38页 |
| 2.1 引言 | 第21页 |
| 2.2 卷积神经网络综述 | 第21-22页 |
| 2.3 卷积神经网络的基本原理 | 第22-28页 |
| 2.3.1 卷积神经网络的结构 | 第22-23页 |
| 2.3.2 CNN模型训练过程 | 第23-26页 |
| 2.3.3 Softmax分类器原理 | 第26-28页 |
| 2.4 基于卷积神经网络的车辆图像分类 | 第28-37页 |
| 2.4.1 仿真平台介绍 | 第29-31页 |
| 2.4.2 CNN的车辆图像分类 | 第31-36页 |
| 2.4.3 实验结果对比与分析 | 第36-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 融合LDA的卷积神经网络改进算法 | 第38-49页 |
| 3.1 引言 | 第38页 |
| 3.2 融合LDA的卷积神经网络改进算法原理 | 第38-41页 |
| 3.2.1 线性判别式分析算法原理 | 第38-40页 |
| 3.2.2 D-CNN算法原理推导 | 第40-41页 |
| 3.3 基于D-CNN的车辆识别二分类实验 | 第41-44页 |
| 3.3.1 D-CNN与CNN对比实验 | 第41-42页 |
| 3.3.2 新算法模型、CNN模型和其他算法的对比试验 | 第42-44页 |
| 3.4 基于D-CNN的多分类实验 | 第44-45页 |
| 3.5 D-CNN的鲁棒性测试 | 第45-47页 |
| 3.5.1 数据准备 | 第45-46页 |
| 3.5.2 实验结果分析 | 第46-47页 |
| 3.6 本章小结 | 第47-49页 |
| 第4章 基于D-CNN的车型检测系统 | 第49-58页 |
| 4.1 引言 | 第49页 |
| 4.2 车型检测系统框架 | 第49-50页 |
| 4.3 基于D-CNN的车型检测 | 第50-57页 |
| 4.3.1 实验数据准备 | 第50页 |
| 4.3.2 CNN训练模型选择 | 第50-52页 |
| 4.3.3 D-CNN模型训练 | 第52-56页 |
| 4.3.4 实验结果对比及分析 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 基于卷积神经网络的车辆检测系统 | 第58-65页 |
| 5.1 引言 | 第58页 |
| 5.2 车辆检测系统框架 | 第58-59页 |
| 5.3 基于R-CNN的车辆检测系统 | 第59-64页 |
| 5.3.1 车辆图像数据集 | 第59-60页 |
| 5.3.2 R-CNN基本原理 | 第60-62页 |
| 5.3.3 基于R-CNN的车辆检测实验 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |