高速公路场景下基于深度学习的车辆目标检测与应用研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 深度学习的研究现状 | 第9页 |
| 1.2.2 视频目标检测的研究现状 | 第9-11页 |
| 1.3 本文的主要内容 | 第11-13页 |
| 第二章 基于深度学习的目标检测模型研究 | 第13-29页 |
| 2.1 卷积神经网络基本原理 | 第13-17页 |
| 2.2 常用的CNN网络结构 | 第17-20页 |
| 2.2.1 ZF网络结构 | 第17-18页 |
| 2.2.2 VGG网络结构 | 第18-19页 |
| 2.2.3 ResNet网络结构 | 第19-20页 |
| 2.3 典型的基于深度学习的目标检测模型 | 第20-28页 |
| 2.3.1 基于区域建议的检测算法 | 第20-23页 |
| 2.3.2 基于回归的检测模型结构 | 第23-26页 |
| 2.3.3 SSD模型的训练过程 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 深度学习数据集的建立 | 第29-39页 |
| 3.1 数据采集 | 第29-31页 |
| 3.1.1 通用数据集分析 | 第29-30页 |
| 3.1.2 人工采集数据集 | 第30-31页 |
| 3.1.3 虚拟合成数据集 | 第31页 |
| 3.2 数据标注 | 第31-36页 |
| 3.2.1 标注工具 | 第31-34页 |
| 3.2.2 标注类别的选取 | 第34-35页 |
| 3.2.3 标注规则的制定 | 第35-36页 |
| 3.3 数据增广 | 第36-38页 |
| 3.3.1 样本扩充的方法 | 第36-37页 |
| 3.3.2 数据均衡问题 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 模型的训练与测试分析 | 第39-56页 |
| 4.1 深度学习的配置环境 | 第39-40页 |
| 4.1.1 训练网络的硬件环境 | 第39页 |
| 4.1.2 训练网络的软件环境 | 第39-40页 |
| 4.2 网络训练与评价指标 | 第40-42页 |
| 4.2.1 训练SSD模型的主要工作 | 第40页 |
| 4.2.2 训练网络的损失函数 | 第40-42页 |
| 4.2.3 模型的评价指标 | 第42页 |
| 4.3 数据集对网络训练影响分析 | 第42-49页 |
| 4.3.1 通用数据集的模型训练 | 第42-44页 |
| 4.3.2 SSMCAR数据集的模型训练 | 第44-49页 |
| 4.4 不同基础模型对网络训练影响分析 | 第49-53页 |
| 4.4.1 低分辨率输入下的模型训练 | 第49-50页 |
| 4.4.2 标准输入下的模型训练 | 第50-53页 |
| 4.5 Fine-tuning及调参优化 | 第53-55页 |
| 4.5.1 训练网络的学习率调节 | 第53页 |
| 4.5.2 训练网络的输入优化 | 第53-54页 |
| 4.5.3 局部ROI区域增强 | 第54-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第五章 基于深度学习目标检测的交通视频分析系统 | 第56-64页 |
| 5.1 系统的总体设计方案 | 第56-57页 |
| 5.2 车辆目标的检测与分类 | 第57-58页 |
| 5.3 车辆目标跟踪 | 第58-62页 |
| 5.3.1 目标匹配与数据关联算法 | 第58-59页 |
| 5.3.2 基于核相关滤波器的目标跟踪 | 第59-60页 |
| 5.3.3 基于目标轨迹的车型分类计数 | 第60-62页 |
| 5.4 异常事件分析 | 第62-63页 |
| 5.5 本章小结 | 第63-64页 |
| 总结与展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69页 |
