基于深度学习的航拍车流实时检测与追踪方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 国内外相关研究和综述 | 第10-13页 |
| 1.2.1 国外研究现状分析 | 第10-12页 |
| 1.2.2 国内研究现状分析 | 第12-13页 |
| 1.3 总结与分析 | 第13-14页 |
| 1.4 本文主要研究内容 | 第14-15页 |
| 1.5 本文组织结构 | 第15-16页 |
| 第2章 相关基础知识介绍 | 第16-30页 |
| 2.1 卷积神经网络 | 第16-23页 |
| 2.1.1 基本组成部分 | 第16-20页 |
| 2.1.2 经典卷积神经网络模型 | 第20-23页 |
| 2.2 目标物检测算法 | 第23-28页 |
| 2.2.1 FasterR-CNN神经网络 | 第24-27页 |
| 2.2.2 YOLO神经网络 | 第27-28页 |
| 2.3 LSTM网络 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于弱监督学习的车流检测方法 | 第30-40页 |
| 3.1 引言 | 第30页 |
| 3.2 基于弱监督学习的YOLO车流检测方法 | 第30-34页 |
| 3.2.1 YOLO的基本思想 | 第30-32页 |
| 3.2.2 基于弱监督学习的YOLO检测模型 | 第32-34页 |
| 3.3 实验结果与分析 | 第34-39页 |
| 3.3.1 实验环境 | 第34-35页 |
| 3.3.2 实验数据说明 | 第35-36页 |
| 3.3.3 结果分析 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于航拍数据的实时车流检测与追踪方法 | 第40-55页 |
| 4.1 引言 | 第40页 |
| 4.2 基于YOLO改进的实时车流检测算法 | 第40-43页 |
| 4.3 鲁棒的车流检测方法 | 第43-47页 |
| 4.3.1 多分辨率检测 | 第43-45页 |
| 4.3.2 多视角检测 | 第45-47页 |
| 4.4 匹配式车流追踪方法 | 第47-48页 |
| 4.5 实验结果与分析 | 第48-54页 |
| 4.5.1 实验环境 | 第48页 |
| 4.5.2 数据集说明及参数选择 | 第48-49页 |
| 4.5.3 结果分析 | 第49-54页 |
| 4.6 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61页 |
