基于YOLOv2的监控场景目标检测技术研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 监控目标实时准确检测问题 | 第12-13页 |
| 1.4 论文研究内容与结构安排 | 第13-15页 |
| 第2章 基于卷积神经网络的目标检测基本理论 | 第15-35页 |
| 2.1 卷积神经网络基本原理 | 第15-22页 |
| 2.1.1 简单神经网络结构 | 第15-17页 |
| 2.1.2 反向传播算法 | 第17-20页 |
| 2.1.3 卷积神经网络 | 第20-22页 |
| 2.2 目标检测算法原理 | 第22-33页 |
| 2.2.1 经典卷积神经网络 | 第23-28页 |
| 2.2.2 基于候选区域的目标检测 | 第28-31页 |
| 2.2.3 基于直接回归的目标检测 | 第31-33页 |
| 2.3 本章小结 | 第33-35页 |
| 第3章 监控场景下YOLOv2目标检测系统框架 | 第35-41页 |
| 3.1 目标检测系统架构 | 第35-36页 |
| 3.2 硬件平台的搭建 | 第36-37页 |
| 3.3 软件平台的架构 | 第37-40页 |
| 3.3.1 摄像机的基本流程结构 | 第37-39页 |
| 3.3.2 管理类的基本结构 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 YOLOv2目标检测与微调 | 第41-55页 |
| 4.1 YOLOv2检测算法 | 第41-45页 |
| 4.1.1 Darknet框架 | 第41页 |
| 4.1.2 YOLOv2模型 | 第41-45页 |
| 4.2检测方案选择实验 | 第45-49页 |
| 4.2.1 Faster R-CNN算法测试 | 第46-47页 |
| 4.2.2 SSD算法测试 | 第47-48页 |
| 4.2.3 YOLOv2算法测试 | 第48-49页 |
| 4.2.4 算法测试总结 | 第49页 |
| 4.3 微调YOLOV | 第49-53页 |
| 4.3.1 微调原理与YOLOv2网络结构 | 第49-51页 |
| 4.3.2 构建车辆与行人数据集 | 第51-52页 |
| 4.3.3 微调步骤与参数设置 | 第52-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第5章 监控场景下车辆与行人检测实验分析 | 第55-61页 |
| 5.1 车辆检测实验对比结果 | 第55-57页 |
| 5.2 行人检测实验对比结果 | 第57-58页 |
| 5.3 监控系统测试 | 第58-59页 |
| 5.4 本章小结 | 第59-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第69-71页 |
| 致谢 | 第71页 |
