| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 研究现状 | 第13-18页 |
| 1.2.1 高速公路智能交通系统 | 第13-14页 |
| 1.2.2 高速公路车辆检测算法 | 第14-16页 |
| 1.2.3 天气环境判断算法 | 第16-17页 |
| 1.2.4 研究现状评述 | 第17-18页 |
| 1.3 研究内容 | 第18页 |
| 1.4 技术路线 | 第18-20页 |
| 第二章 高速公路交通检测相关方法研究 | 第20-46页 |
| 2.1 环境识别算法研究 | 第20-33页 |
| 2.1.1 基于SVM分类器的环境识别 | 第20-24页 |
| 2.1.1.1 图像特征提取 | 第20-22页 |
| 2.1.1.2 基于决策树的SVM分类器构建 | 第22-24页 |
| 2.1.2 基于图像分割的天气识别 | 第24-27页 |
| 2.1.2.1 天空部分图像分割 | 第25页 |
| 2.1.2.2 基于多核学习的分类器构建 | 第25-27页 |
| 2.1.3 基于深度学习的天气识别 | 第27-32页 |
| 2.1.3.1 卷积神经网络 | 第27-30页 |
| 2.1.3.2 基于卷积神经网络天气识别模型训练 | 第30-32页 |
| 2.1.4 天气识别算法比较 | 第32-33页 |
| 2.2 车辆检测算法研究 | 第33-44页 |
| 2.2.1 基于背景差分的车辆检测算法 | 第33-36页 |
| 2.2.2 基于统计学习的车辆检测算法 | 第36-39页 |
| 2.2.2.1 HOG特征提取 | 第37-38页 |
| 2.2.2.2 LBP特征提取 | 第38页 |
| 2.2.2.3 特征融合 | 第38-39页 |
| 2.2.2.4 SVM分类器 | 第39页 |
| 2.2.3 基于深度学习的车辆检测算法 | 第39-44页 |
| 2.2.3.1 R-CNN | 第39-40页 |
| 2.2.3.2 SPP-NET | 第40-41页 |
| 2.2.3.3 FastR-CNN | 第41-43页 |
| 2.2.3.4 FasterR-CNN | 第43-44页 |
| 2.2.4 车辆识别算法比较 | 第44页 |
| 2.3 本章小结 | 第44-46页 |
| 第三章 基于深度学习的高速公路环境识别算法研究 | 第46-62页 |
| 3.1 基于深度学习的环境识别算法优势 | 第46页 |
| 3.2 基于卷积神经网络的环境识别系统设计 | 第46-51页 |
| 3.2.1 深度卷积神经网络的搭建 | 第46-48页 |
| 3.2.2 激活函数选择 | 第48-49页 |
| 3.2.3 过拟合抑制 | 第49-51页 |
| 3.3 环境识别算法实验及分析 | 第51-61页 |
| 3.3.1 数据库的收集及预处理 | 第51-53页 |
| 3.3.2 深度学习模型训练 | 第53-55页 |
| 3.3.2.1 微调 | 第53-54页 |
| 3.3.2.2 网络参数 | 第54页 |
| 3.3.2.3 网络训练过程 | 第54-55页 |
| 3.3.3 天气环境识别热力图分析 | 第55-57页 |
| 3.3.4 实验结果分析 | 第57-61页 |
| 3.3.4.1 训练结果 | 第57-59页 |
| 3.3.4.2 测试结果 | 第59-61页 |
| 3.4 本章小结 | 第61-62页 |
| 第四章 基于深度学习的高速公路车辆检测算法研究 | 第62-81页 |
| 4.1 基于深度学习的车辆检测算法概述 | 第62-63页 |
| 4.2 基于FASTERRCNN网络的车辆检测系统搭建 | 第63-68页 |
| 4.2.1 高速公路车辆检测系统 | 第63-64页 |
| 4.2.2 网络结构 | 第64-67页 |
| 4.2.3 预训练模型 | 第67-68页 |
| 4.3 基于FASTERRCNN网络的车辆检测算法实验及分析 | 第68-80页 |
| 4.3.1 样本数据库 | 第68-70页 |
| 4.3.2 模型训练 | 第70-72页 |
| 4.3.2.1 训练步骤 | 第70-71页 |
| 4.3.2.2 网络训练参数 | 第71-72页 |
| 4.3.3 实验结果分析 | 第72-80页 |
| 4.3.3.1 评价方法 | 第72页 |
| 4.3.3.2 训练结果 | 第72-75页 |
| 4.3.3.3 检测结果 | 第75-80页 |
| 4.4 本章小结 | 第80-81页 |
| 第五章 基于广湛线视频监控的实例分析 | 第81-98页 |
| 5.1 广湛线高速公路应急保畅项目简介 | 第81-82页 |
| 5.2 视频交通检测器的布设 | 第82-92页 |
| 5.2.1 交通事件检测算法 | 第82-86页 |
| 5.2.1.1 增量比较法 | 第82-84页 |
| 5.2.1.2 模糊聚类法 | 第84-85页 |
| 5.2.1.3 交通事件检测 | 第85-86页 |
| 5.2.2 交通检测器布设 | 第86-92页 |
| 5.2.2.1 VISSIM仿真交通事件 | 第86-87页 |
| 5.2.2.2 仿真数据分析 | 第87-90页 |
| 5.2.2.3 不同间距检测器的检测效率及成本分析 | 第90-92页 |
| 5.3 基于深度学习的交通检测 | 第92-94页 |
| 5.3.1 速度检测 | 第92-93页 |
| 5.3.2 流量检测 | 第93-94页 |
| 5.3.3 占有率检测 | 第94页 |
| 5.3.4 车型及其比率检测 | 第94页 |
| 5.4 基于深度学习的交通事件检测 | 第94-97页 |
| 5.4.1 异常停车事件检测 | 第94-96页 |
| 5.4.2 拥堵或缓行检测 | 第96-97页 |
| 5.5 本章小结 | 第97-98页 |
| 第六章 总结及展望 | 第98-100页 |
| 6.1 结论 | 第98-99页 |
| 6.2 展望 | 第99-100页 |
| 参考文献 | 第100-106页 |
| 攻读硕士学位期间取得的研究成果 | 第106-107页 |
| 致谢 | 第107-108页 |
| 附件 | 第108页 |
