基于双目视觉的车型识别技术研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 课题研究背景 | 第7-8页 |
| 1.2 国内外车辆识别研究现状 | 第8-11页 |
| 1.3 本文研究内容章节安排 | 第11-12页 |
| 2 图像拼接与融合 | 第12-32页 |
| 2.1 两种特征提取和描述方法 | 第12-18页 |
| 2.1.1 SURF特征提取和描述 | 第12-16页 |
| 2.1.2 ORB特征提取和描述 | 第16-18页 |
| 2.1.2.1 特征提取部分 | 第16-17页 |
| 2.1.2.2 特征描述部分 | 第17-18页 |
| 2.2 基于点特征的双摄像头拼接算法 | 第18-22页 |
| 2.2.1 算法流程 | 第18页 |
| 2.2.2 特征点提取和匹配 | 第18-20页 |
| 2.2.3 图像配准 | 第20-22页 |
| 2.2.4 图像拷贝和融合 | 第22页 |
| 2.3 双摄像头图像采集平台 | 第22-26页 |
| 2.3.1 工具介绍 | 第22-24页 |
| 2.3.2 双摄像头处理平台搭建 | 第24-26页 |
| 2.4 实验结果及分析 | 第26-32页 |
| 2.4.1 基于SURF的图像拼接 | 第26-28页 |
| 2.4.2 基于ORB的图像拼接 | 第28-32页 |
| 3 识别算法 | 第32-42页 |
| 3.1 神经网络 | 第32-35页 |
| 3.1.1 概述 | 第32-33页 |
| 3.1.2 神经网络模型 | 第33-35页 |
| 3.2 卷积神经网络 | 第35-38页 |
| 3.2.1 局部感受野 | 第36页 |
| 3.2.2 权值共享 | 第36页 |
| 3.2.3 多卷积核 | 第36-37页 |
| 3.2.4 池化层 | 第37-38页 |
| 3.2.5 多卷积层 | 第38页 |
| 3.3 卷积神经网络的训练 | 第38-42页 |
| 3.3.1 前向传播 | 第38-39页 |
| 3.3.2 反向传播 | 第39-40页 |
| 3.3.3 权值更新过程中的卷积 | 第40-42页 |
| 4 基于深度卷积神经网络的车型识别改进研究 | 第42-59页 |
| 4.1 车型识别技术 | 第42-45页 |
| 4.1.1 迁移学习 | 第42-43页 |
| 4.1.2 微调预训练网络模型 | 第43-44页 |
| 4.1.3 车型图像数据集 | 第44页 |
| 4.1.4 车型识别技术流程 | 第44-45页 |
| 4.2 实验开发平台和开发工具介绍 | 第45-46页 |
| 4.3 基于AlexNet的深度学习网络模型 | 第46-48页 |
| 4.3.1 总体网络结构 | 第46-47页 |
| 4.3.2 微调网络 | 第47页 |
| 4.3.3 实验结果分析 | 第47-48页 |
| 4.4 基于Vggl6的深度学习网络模型 | 第48-51页 |
| 4.4.1 总体网络结构 | 第48-49页 |
| 4.4.2 微调网络 | 第49-50页 |
| 4.4.3 实验结果分析 | 第50-51页 |
| 4.5 基于GoogleNet的深度学习网络模型 | 第51-56页 |
| 4.5.1 总体网络结构 | 第51-54页 |
| 4.5.2 微调网络 | 第54页 |
| 4.5.3 实验结果分析 | 第54-56页 |
| 4.6 基于双目视觉的车型识别 | 第56-59页 |
| 4.6.1 识别流程 | 第56页 |
| 4.6.2 实验结果分析 | 第56-59页 |
| 5 总结与展望 | 第59-60页 |
| 5.1 工作总结 | 第59页 |
| 5.2 工作展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 | 第64页 |
