| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪言 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 视频交通流量检测系统的研究 | 第11-13页 |
| 1.2.2 嵌入式目标检测技术的研究 | 第13-15页 |
| 1.3 主要研究内容与设计指标 | 第15-16页 |
| 1.3.1 主要研究内容 | 第15页 |
| 1.3.2 设计要求和指标 | 第15-16页 |
| 1.4 论文章节安排 | 第16-17页 |
| 第二章 交通流量目标检测及卷积神经网络概述 | 第17-35页 |
| 2.1 传统的交通流量目标检测方法 | 第17-19页 |
| 2.2 基于机器学习的目标检测 | 第19-21页 |
| 2.3 卷积神经网络(CNN) | 第21-30页 |
| 2.3.1 人工神经网络 | 第21-23页 |
| 2.3.2 网络结构 | 第23-28页 |
| 2.3.3 网络训练 | 第28-29页 |
| 2.3.4 主要特点 | 第29-30页 |
| 2.4 基于CNN的目标检测 | 第30-34页 |
| 2.4.1 R-CNN | 第30-31页 |
| 2.4.2 FastR-CNN | 第31-32页 |
| 2.4.3 Overfeat | 第32-33页 |
| 2.4.4 YOLO | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于卷积神经网络的交通流量信息采集算法设计 | 第35-47页 |
| 3.1 交通流量信息采集算法设计框架 | 第35-37页 |
| 3.2 目标检测算法设计 | 第37-43页 |
| 3.2.1 YOLO目标检测算法 | 第37-40页 |
| 3.2.2 YOLO的改进设计 | 第40-43页 |
| 3.3 流量统计算法设计 | 第43-46页 |
| 3.3.1 常用交通流量统计方法 | 第44页 |
| 3.3.2 基于虚拟检测器的流量统计 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 交通流量信息采集终端系统的设计与实现 | 第47-57页 |
| 4.1 交通流量信息采集终端系统框架 | 第47-48页 |
| 4.2 交通流量信息采集流程 | 第48-49页 |
| 4.3 交通流量信息采集模块设计与实现 | 第49-56页 |
| 4.3.1 图像数据传输 | 第49-51页 |
| 4.3.2 图像预处理 | 第51-53页 |
| 4.3.3 卷积计算加速器 | 第53-55页 |
| 4.3.4 目标信息提取 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 仿真及测试结果分析 | 第57-69页 |
| 5.1 测试平台搭建 | 第57-63页 |
| 5.1.1 网络训练 | 第57-59页 |
| 5.1.2 仿真测试 | 第59-61页 |
| 5.1.3 实测验证 | 第61-63页 |
| 5.2 结果分析 | 第63-68页 |
| 5.2.1 实测结果 | 第64-66页 |
| 5.2.2 性能分析 | 第66-68页 |
| 5.3 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间发表的论文 | 第77页 |