| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 夜间车辆检测研究背景及意义 | 第8-9页 |
| 1.2 车辆检测国内外研究现状 | 第9-13页 |
| 1.2.1 传统车辆检测方法国内外研究现状 | 第10-12页 |
| 1.2.2 基于卷积神经网络的目标检测研究现状 | 第12-13页 |
| 1.3 夜间车辆检测的难点 | 第13-14页 |
| 1.4 本文的章节安排 | 第14-16页 |
| 2 基于对数尺度CenSurE特征和颜色信息的夜间车辆检测方法 | 第16-26页 |
| 2.1 图像特征与颜色空间 | 第16-19页 |
| 2.1.1 图像特征 | 第16-17页 |
| 2.1.2 颜色空间 | 第17-19页 |
| 2.2 改进的Cen SurE特征 | 第19-22页 |
| 2.3 基于颜色信息的车灯检测 | 第22-24页 |
| 2.4 实验结果 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 基于CenSur E特征描述的Faster RCNN在线困难样本挖掘 | 第26-42页 |
| 3.1 卷积神经网络的基本原理 | 第26-30页 |
| 3.1.1 网络结构 | 第26-28页 |
| 3.1.2 反向传播算法 | 第28-29页 |
| 3.1.3 CNN的应用 | 第29-30页 |
| 3.2 Faster RCNN的基本原理 | 第30-33页 |
| 3.2.1 网络结构 | 第30-33页 |
| 3.2.2 训练流程 | 第33页 |
| 3.3 基于CenSur E特征的在线困难样本挖掘 | 第33-34页 |
| 3.4 实验及结果分析 | 第34-40页 |
| 3.4.1 算法评估标准 | 第34-35页 |
| 3.4.2 实验结果与分析 | 第35-40页 |
| 3.5 本章小结 | 第40-42页 |
| 4 基于PCA降维的Faster RCNN的加速和优化 | 第42-58页 |
| 4.1 PCA降维 | 第42-44页 |
| 4.2 Faster RCNN的参数压缩及训练方法优化 | 第44-45页 |
| 4.3 实验及结果分析 | 第45-56页 |
| 4.3.1 模型O和模型OC的对比 | 第45-48页 |
| 4.3.2 模型O和模型OCE的对比 | 第48-51页 |
| 4.3.3 四种模型实验对比 | 第51-56页 |
| 4.4 本章小结 | 第56-58页 |
| 5 总结和展望 | 第58-60页 |
| 5.1 本文工作总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 附录 | 第68页 |
