| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 本文主要内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 2 高铁列车检测方法论述 | 第16-34页 |
| 2.1 传统的高铁列车检测 | 第16-22页 |
| 2.1.1 基于帧间差分法的高铁列车检测 | 第16-18页 |
| 2.1.2 基于光流法的高铁列车检测 | 第18-19页 |
| 2.1.3 基于Adaboost的高铁列车检测 | 第19-22页 |
| 2.2 基于深度学习的高铁列车检测 | 第22-33页 |
| 2.2.1 深度学习 | 第22-23页 |
| 2.2.2 卷积神经网络 | 第23-28页 |
| 2.2.3 与传统的高铁列车检测方法的对比分析 | 第28-33页 |
| 2.3 本章小结 | 第33-34页 |
| 3 基于Faster R-CNN的高铁列车检测 | 第34-50页 |
| 3.1 基于Faster R-CNN的高铁列车检测器的设计 | 第34-44页 |
| 3.1.1 基于Faster R-CNN高铁列车检测器中ZF-5模型 | 第35页 |
| 3.1.2 基于Faster R-CNN的区域建议网络RPN | 第35-37页 |
| 3.1.3 基于Faster R-CNN的网络模型训练和检测 | 第37-41页 |
| 3.1.4 高铁列车检测评估指标 | 第41-44页 |
| 3.2 实验结果及分析 | 第44-49页 |
| 3.2.1 PASCAL-HighTrain9000高铁列车样本集 | 第44-46页 |
| 3.2.2 测试样本集的检测结果分析 | 第46-48页 |
| 3.2.3 与传统的高铁列车检测方法的对比分析 | 第48-49页 |
| 3.3 本章小结 | 第49-50页 |
| 4 基于YOLO的高铁列车检测 | 第50-61页 |
| 4.1 基于YOLO的高铁列车检测器设计 | 第50-54页 |
| 4.1.1 基于YOLO的高铁列车检测流程设计 | 第50-51页 |
| 4.1.2 基于YOLO的高铁列车检测网络模型设计 | 第51-52页 |
| 4.1.3 基于YOLO的高铁列车检测网络模型训练 | 第52-54页 |
| 4.1.4 基于YOLO的高铁列车检测器中的非极大值抑制算法 | 第54页 |
| 4.2 实验结果分析及检测系统设计 | 第54-60页 |
| 4.2.1 基于YOLO的高铁列车检测结果分析 | 第55-56页 |
| 4.2.2 与Adaboost方法以及基于Faster R-CNN方法的对比分析 | 第56-57页 |
| 4.2.3 高铁列车检测系统设计 | 第57-60页 |
| 4.3 本章小结 | 第60-61页 |
| 5 结论与展望 | 第61-63页 |
| 参考文献 | 第63-65页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第65-67页 |
| 学位论文数据集 | 第67页 |
