航拍图像车辆识别技术研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 主要工作和内容安排 | 第10-13页 |
| 2 车辆检测系统总体设计 | 第13-18页 |
| 2.1 系统需求分析 | 第13-14页 |
| 2.2 系统设计方案 | 第14-17页 |
| 2.2.1 硬件架构设计 | 第16-17页 |
| 2.2.2 软件框架设计 | 第17页 |
| 2.3 本章小结 | 第17-18页 |
| 3 基于DPM的车辆检测方法 | 第18-43页 |
| 3.1 车辆检测算法框架 | 第18-19页 |
| 3.2 车辆目标特征提取 | 第19-24页 |
| 3.2.1 角点特征 | 第20-21页 |
| 3.2.2 边缘特征 | 第21-22页 |
| 3.2.3 颜色特征 | 第22页 |
| 3.2.4 纹理特征 | 第22-24页 |
| 3.3 基于视觉显著性的车辆ROI提取 | 第24-31页 |
| 3.3.1 视觉注意机制及显著模型概述 | 第25-26页 |
| 3.3.2 基于FT的显著性检测方法 | 第26-27页 |
| 3.3.3 基于Top-hat的目标分割 | 第27-28页 |
| 3.3.4 实验结果与分析 | 第28-31页 |
| 3.4 航拍车辆数据集的建立 | 第31-34页 |
| 3.5 可变形部件模型 | 第34-42页 |
| 3.5.1 可变形部件模型概述 | 第34-35页 |
| 3.5.2 支持向量机 | 第35-37页 |
| 3.5.3 车辆检测模型的训练 | 第37-39页 |
| 3.5.4 实验结果与分析 | 第39-42页 |
| 3.6 本章小结 | 第42-43页 |
| 4 基于深度卷积神经网络的车辆检测方法 | 第43-49页 |
| 4.1 Faster RCNN模型结构 | 第43-45页 |
| 4.2 模型训练 | 第45-46页 |
| 4.3 实验结果与分析 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 嵌入式车辆检测系统研发 | 第49-58页 |
| 5.1 JETSON TX1图像处理平台介绍 | 第49-51页 |
| 5.2 系统环境搭建 | 第51-54页 |
| 5.2.1 系统环境配置 | 第51-53页 |
| 5.2.2 视觉资源库的配置 | 第53-54页 |
| 5.3 功能模块介绍 | 第54-57页 |
| 5.3.1 图像采集模块 | 第54-56页 |
| 5.3.2 图像处理模块 | 第56页 |
| 5.3.3 图像显示模块 | 第56-57页 |
| 5.4 系统效果 | 第57页 |
| 5.5 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表学术论文情况 | 第64-65页 |
| 致谢 | 第65-68页 |
