基于嵌入式平台的交通视频监控算法的设计与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.3 基于嵌入式的视频车辆检测系统简介 | 第13-15页 |
| 1.3.1 物理结构 | 第13-14页 |
| 1.3.2 系统软件结构 | 第14-15页 |
| 1.4 文章的主要内容及章节安排 | 第15-17页 |
| 第二章 车流量监测 | 第17-42页 |
| 2.1 车辆检测 | 第17-34页 |
| 2.1.1 车辆检测概述 | 第17-20页 |
| 2.1.1.1 生成疑似车辆 | 第17-19页 |
| 2.1.1.2 验证疑似车辆 | 第19-20页 |
| 2.1.2 Viola-Jones目标检测框架 | 第20-22页 |
| 2.1.3 检测特征 | 第22-26页 |
| 2.1.3.1 类Haar特征 | 第22-24页 |
| 2.1.3.2 扩展的类Haar特征 | 第24-26页 |
| 2.1.4 级联架构 | 第26-29页 |
| 2.1.5 学习算法 | 第29-33页 |
| 2.1.5.1 AdaBoost算法训练强分类器 | 第29-30页 |
| 2.1.5.2 最小化弱分类器误差 | 第30-31页 |
| 2.1.5.3 级联分类器的训练 | 第31-33页 |
| 2.1.6 目标融合 | 第33-34页 |
| 2.2 车牌定位 | 第34-35页 |
| 2.3 车流量计算 | 第35-36页 |
| 2.4 实验 | 第36-41页 |
| 2.4.1 车辆检测训练样本的采集 | 第36-38页 |
| 2.4.2 实验结果 | 第38-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第三章 车牌号提取 | 第42-66页 |
| 3.1 车牌号提取概述 | 第42页 |
| 3.2 预处理 | 第42-44页 |
| 3.3 光学字符识别 | 第44-56页 |
| 3.3.1 光学字符识别算法概述 | 第44-46页 |
| 3.3.2 卷积神经网络 | 第46-48页 |
| 3.3.2.1 输入层 | 第47页 |
| 3.3.2.2 卷积层 | 第47页 |
| 3.3.2.3 降采样层 | 第47-48页 |
| 3.3.2.4 全连接层和输出层 | 第48页 |
| 3.3.3 卷积神经网络的设计 | 第48-52页 |
| 3.3.3.1 网络结构 | 第48-49页 |
| 3.3.3.2 神经元模型 | 第49-51页 |
| 3.3.3.3 CNN前向传播过程 | 第51-52页 |
| 3.3.4 卷积神经网络的训练 | 第52-56页 |
| 3.4 字符分割 | 第56-57页 |
| 3.5 实验 | 第57-65页 |
| 3.5.1 CNN训练样本的扩充 | 第57-60页 |
| 3.5.2 实验结果 | 第60-65页 |
| 3.6 本章小结 | 第65-66页 |
| 第四章 系统测试与结果分析 | 第66-73页 |
| 4.1 视频输入信号 | 第66-67页 |
| 4.2 卷积的计算 | 第67页 |
| 4.3 实验结果 | 第67-69页 |
| 4.4 实验结果展示 | 第69-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-74页 |
| 5.1 工作总结 | 第73页 |
| 5.2 展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-77页 |
