| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 视频监控系统研究现状 | 第11页 |
| 1.2.2 道路目标检测研究现状 | 第11-15页 |
| 1.2.3 道路目标跟踪研究现状 | 第15-16页 |
| 1.3 论文主要研究内容 | 第16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第2章 道路目标检测常用算法 | 第18-32页 |
| 2.1 传统运动目标检测算法 | 第18-21页 |
| 2.1.1 背景差分法 | 第18-19页 |
| 2.1.2 帧间差分法 | 第19-20页 |
| 2.1.3 光流法 | 第20-21页 |
| 2.2 支持向量机算法 | 第21-22页 |
| 2.3 Ada Boost算法 | 第22-23页 |
| 2.4 基于深度学习的目标检测算法 | 第23-30页 |
| 2.4.1 深度学习基础 | 第23-24页 |
| 2.4.2 卷积神经网络概述 | 第24-25页 |
| 2.4.3 卷积神经网络结构 | 第25-27页 |
| 2.4.4 卷积神经网络的反向传播 | 第27-29页 |
| 2.4.5 过拟合与正则化 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第3章 基于优化SSD的道路目标检测算法 | 第32-42页 |
| 3.1 VGGNet网络模型 | 第32-33页 |
| 3.2 SSD物体检测算法 | 第33-38页 |
| 3.2.1 SSD算法基本原理 | 第33-35页 |
| 3.2.2 SSD网络结构 | 第35-36页 |
| 3.2.3 SSD训练过程 | 第36-37页 |
| 3.2.4 SSD预测过程 | 第37-38页 |
| 3.3 优化的SSD道路目标检测算法 | 第38-39页 |
| 3.4 基于图像金字塔的数据增强方法 | 第39-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 Camshift多目标跟踪算法改进及实现 | 第42-56页 |
| 4.1 常用的目标跟踪方法 | 第42-46页 |
| 4.1.1 Camshift跟踪算法 | 第42-44页 |
| 4.1.2 卡尔曼滤波跟踪算法 | 第44-46页 |
| 4.2 结合卡尔曼滤波与Camshift的多目标跟踪算法 | 第46-49页 |
| 4.3 目标数据关联算法 | 第49-51页 |
| 4.4 警戒区域入侵检测算法 | 第51-52页 |
| 4.5 跟踪算法实验结果及分析 | 第52-54页 |
| 4.6 本章小结 | 第54-56页 |
| 第5章 智能道路目标检测与跟踪系统实现及验证 | 第56-72页 |
| 5.1 开发环境 | 第56-57页 |
| 5.1.1 Caffe深度学习框架 | 第56页 |
| 5.1.2 软件硬件配置 | 第56-57页 |
| 5.2 SSD训练与检测实现细节 | 第57-59页 |
| 5.3 数据集与性能指标 | 第59-61页 |
| 5.4 系统界面 | 第61-62页 |
| 5.5 实验结果及分析 | 第62-70页 |
| 5.5.1 优化SSD检测算法性能测试 | 第62-64页 |
| 5.5.2 检测与跟踪系统视频测试 | 第64-69页 |
| 5.5.3 指定警戒区域入侵功能测试 | 第69-70页 |
| 5.6 本章小结 | 第70-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第78-80页 |
| 致谢 | 第80页 |