| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 论文的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于视频的车辆检测算法研究现状 | 第10-11页 |
| 1.2.2 基于视频的车辆跟踪算法研究现状 | 第11-12页 |
| 1.2.3 研究现状总结 | 第12页 |
| 1.3 论文主要研究内容及章节安排 | 第12-14页 |
| 1.3.1 主要研究内容 | 第12-13页 |
| 1.3.2 论文结构安排 | 第13-14页 |
| 1.3.3 论文研究技术路线 | 第14页 |
| 1.4 本章小结 | 第14-15页 |
| 第二章 车辆目标检测与跟踪算法架构分析 | 第15-29页 |
| 2.1 目标检测与跟踪 | 第15-16页 |
| 2.2 基于卷积神经网络的车辆检测算法 | 第16-23页 |
| 2.2.1 卷积神经网络 | 第16-17页 |
| 2.2.2 基于卷积神经网络的车辆检测 | 第17-21页 |
| 2.2.3 检测算法对比分析 | 第21-23页 |
| 2.3 典型的目标跟踪算法 | 第23-28页 |
| 2.3.1 基于Meanshift的目标跟踪算法 | 第23-24页 |
| 2.3.2 基于卡尔曼滤波的目标跟踪算法 | 第24-26页 |
| 2.3.3 基于粒子滤波的目标跟踪算法 | 第26-27页 |
| 2.3.4 跟踪算法对比分析 | 第27-28页 |
| 2.4 车辆检测跟踪总体架构 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于FasterR-CNN的车辆检测系统设计 | 第29-41页 |
| 3.1 基于FasterR-CNN的车辆检测系统研究 | 第29-37页 |
| 3.1.1 共享卷积特征网络 | 第30-31页 |
| 3.1.2 候选区域建设网络 | 第31-35页 |
| 3.1.3 感兴趣区域下采样 | 第35页 |
| 3.1.4 非极大值抑制算法 | 第35-37页 |
| 3.2 车辆检测对比实验 | 第37-40页 |
| 3.2.1 常用的目标检测数据集 | 第37页 |
| 3.2.2 基于ZF和VGG-16网络的FasterR-CNN车辆检测算法对比 | 第37-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第四章 基于自适应核相关滤波的车辆跟踪算法研究 | 第41-57页 |
| 4.1 自适应核相关滤波车辆跟踪 | 第41-49页 |
| 4.1.1 循环移位矩阵 | 第42-43页 |
| 4.1.2 跟踪模型训练 | 第43-45页 |
| 4.1.3 跟踪内目标检测 | 第45-46页 |
| 4.1.4 自适应模型更新 | 第46-47页 |
| 4.1.5 特征提取及多通道样本 | 第47-49页 |
| 4.2 数据关联 | 第49-51页 |
| 4.3 基于自适应模型更新的核相关滤波实验分析 | 第51-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 系统实现与分析 | 第57-65页 |
| 5.1 概述 | 第57页 |
| 5.2 实验环境 | 第57页 |
| 5.3 数据集采集与整理 | 第57-59页 |
| 5.4 FasterR-CNN检测器的实现与效果 | 第59-61页 |
| 5.5 跟踪实现与性能分析 | 第61-64页 |
| 5.5.1 整体跟踪实现与效果 | 第61-63页 |
| 5.5.2 整体跟踪性能分析 | 第63-64页 |
| 5.6 本章小结 | 第64-65页 |
| 总结与展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72页 |
