基于Faster RCNN的道路车辆检测算法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 研究发展与现状 | 第14-19页 |
| 1.2.1 传统目标检测算法 | 第15-17页 |
| 1.2.2 基于深度卷积神经网络的目标检测算法 | 第17-19页 |
| 1.3 本文主要研究内容 | 第19-21页 |
| 第二章 现有目标检测方法分析与对比研究 | 第21-37页 |
| 2.1 用于目标检测的特征 | 第21-26页 |
| 2.1.1 手工特征提取算子 | 第21-24页 |
| 2.1.2 卷积特征 | 第24-26页 |
| 2.2 目标检测系统 | 第26-32页 |
| 2.2.1 特征分类模块 | 第27-30页 |
| 2.2.2 位置回归模块 | 第30-31页 |
| 2.2.3 区域融合模块 | 第31-32页 |
| 2.3 目标检测算法框架 | 第32-35页 |
| 2.3.1 基于Boost的目标检测算法 | 第32-33页 |
| 2.3.2 基于分类统计的目标检测算法 | 第33-34页 |
| 2.3.3 基于卷积神经网络的目标检测算法 | 第34-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第三章 改进的Faster RCNN目标检测算法 | 第37-49页 |
| 3.1 Faster RCNN的目标检测原理 | 第37-41页 |
| 3.1.1 区域建议网络 | 第38-39页 |
| 3.1.2 候选区域再调整模块 | 第39-41页 |
| 3.2 基础网络的设计 | 第41-42页 |
| 3.3 区域建议生成模块的改进 | 第42-45页 |
| 3.3.1 多尺度预测及特征融合 | 第42-43页 |
| 3.3.2 锚点尺寸重新设计 | 第43-45页 |
| 3.3.3 训练样本数据增强 | 第45页 |
| 3.4 候选建议再调整模块的改进 | 第45-47页 |
| 3.4.1 空间上下文信息 | 第46页 |
| 3.4.2 训练样本挖掘与权重设置 | 第46-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 行人及车辆数据集实验及结果分析 | 第49-61页 |
| 4.1 数据集 | 第49-50页 |
| 4.1.1 加州理工行人数据集 | 第49-50页 |
| 4.1.2 KITTI数据集 | 第50页 |
| 4.2 训练环境和参数 | 第50-51页 |
| 4.3 实验结果及分析 | 第51-58页 |
| 4.3.1 基本目标检测评价标准 | 第51-53页 |
| 4.3.2 行人检测结果分析 | 第53-55页 |
| 4.3.3 车辆检测结果分析 | 第55-58页 |
| 4.4 本章小结 | 第58-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-71页 |
| 致谢 | 第71-72页 |
| 在学期间的研究成果及发表的学术论文 | 第72页 |
