| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.1.1 行车视频目标检测研究背景 | 第11-12页 |
| 1.1.2 行车视频目标检测研究意义 | 第12页 |
| 1.2 行车视频目标检测研究现状 | 第12-15页 |
| 1.2.1 目标检测研究现状 | 第12-14页 |
| 1.2.2 目标跟踪研究现状 | 第14-15页 |
| 1.3 本文的研究主题与主要贡献 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-17页 |
| 2 目标检测算法与目标跟踪算法概述 | 第17-30页 |
| 2.1 目标检测方法概述 | 第17-18页 |
| 2.2 目标检测经典框架研究 | 第18-26页 |
| 2.2.1 Faster R-CNN目标检测框架研究 | 第18-21页 |
| 2.2.2 YOLO目标检测框架研究 | 第21-25页 |
| 2.2.3 SSD目标检测框架研究 | 第25-26页 |
| 2.3 多目标跟踪算法概述 | 第26-28页 |
| 2.3.1 多目标跟踪概要和方法分类 | 第26-27页 |
| 2.3.2 多目标跟踪的组件 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 3 MLSSD目标检测算法 | 第30-42页 |
| 3.1 基于度量学习方法的结构化特征嵌入 | 第30-33页 |
| 3.1.1 对比嵌入结构 | 第30-31页 |
| 3.1.2 三元组嵌入结构 | 第31页 |
| 3.1.3 度量学习嵌入结构 | 第31-33页 |
| 3.2 MLSSD目标检测算法 | 第33-41页 |
| 3.2.1 MLSSD网络框架 | 第33-34页 |
| 3.2.2 度量学习分类网络 | 第34-35页 |
| 3.2.3 SSD目标检测网络 | 第35-38页 |
| 3.2.4 实验算法步骤 | 第38页 |
| 3.2.5 实现细节 | 第38-39页 |
| 3.2.6 目标检测方法评价指标 | 第39-40页 |
| 3.2.7 实验结果及其分析 | 第40-41页 |
| 3.3 本章小结 | 第41-42页 |
| 4 DAT行车视频目标检测算法研究 | 第42-54页 |
| 4.1 SCEA在线多目标跟踪算法研究 | 第42-49页 |
| 4.1.1 结构约束损失方程 | 第42-43页 |
| 4.1.2 事件聚拢 | 第43-45页 |
| 4.1.3 通过SCEA实现两步在线跟踪 | 第45-47页 |
| 4.1.4 多目标跟踪评价指标 | 第47-49页 |
| 4.2 DAT行车视频目标检测及测距 | 第49-53页 |
| 4.2.1 DAT行车视频目标检测整体框架 | 第49-50页 |
| 4.2.2 实现过程 | 第50-51页 |
| 4.2.3 实验结果及分析 | 第51-53页 |
| 4.3 本章小结 | 第53-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 工作总结 | 第54页 |
| 5.2 工作展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第59-61页 |
| 学位论文数据集 | 第61页 |