| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 深度学习的发展 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.3.1 车辆检测算法研究现状 | 第12-13页 |
| 1.3.2 车型识别算法研究现状 | 第13页 |
| 1.3.3 车辆跟踪算法研究现状 | 第13-14页 |
| 1.4 论文组织结构安排 | 第14-15页 |
| 第二章 车辆检测与跟踪相关技术介绍 | 第15-27页 |
| 2.1 目标检测相关技术 | 第15-20页 |
| 2.1.1 传统的运动目标检测方法 | 第15-18页 |
| 2.1.2 基于深度学习的运动目标检测算法 | 第18-20页 |
| 2.2 车型识别相关技术 | 第20-24页 |
| 2.2.1 传统的车型识别的方法 | 第20-22页 |
| 2.2.2 基于深度学习的车型识别方法 | 第22-24页 |
| 2.3 平台相关技术 | 第24-26页 |
| 2.3.1 Hadoop | 第24-25页 |
| 2.3.2 Storm | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于深度学习的实时车辆跟踪方案设计 | 第27-41页 |
| 3.1 车辆跟踪的方案设计 | 第27-28页 |
| 3.2 基于SSD的车辆检测技术 | 第28-33页 |
| 3.2.1 SSD的基本原理和网络结构 | 第29-32页 |
| 3.2.2 改进SSD的训练网络 | 第32-33页 |
| 3.3 基于CNN的车型识别技术 | 第33-38页 |
| 3.3.1 卷积神经网络的基本原理 | 第33-36页 |
| 3.3.2 改进的卷积神经网络的训练网络 | 第36-38页 |
| 3.4 结合时空信息的车辆跟踪策略 | 第38-40页 |
| 3.4.1 车辆跟踪策略 | 第38-39页 |
| 3.4.2 车辆跟踪算法 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 车辆跟踪方案实验分析 | 第41-51页 |
| 4.1 车辆检测 | 第41-44页 |
| 4.1.1 基于Faster R-CNN的车辆检测 | 第41-42页 |
| 4.1.2 基于SSD的车辆检测 | 第42-43页 |
| 4.1.3 实验与分析 | 第43-44页 |
| 4.2 车型识别 | 第44-47页 |
| 4.2.1 基于HOG和SVM的车型识别 | 第45页 |
| 4.2.2 基于CNN和SSD的车型识别 | 第45-46页 |
| 4.2.3 实验与分析 | 第46-47页 |
| 4.3 车辆跟踪 | 第47-50页 |
| 4.3.1 本文方法跟踪分析 | 第47-48页 |
| 4.3.2 实验与分析 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 部署平台分析 | 第51-55页 |
| 5.1 平台架构 | 第51-52页 |
| 5.2 平台部署的分析 | 第52-53页 |
| 5.2.1 处理时间 | 第52-53页 |
| 5.2.2 可移植性 | 第53页 |
| 5.3 并行化处理 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第60-61页 |
| 附录2 攻读硕士学位期间申请的专利 | 第61-62页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第62-63页 |
| 致谢 | 第63页 |