| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究的背景 | 第10-11页 |
| 1.2 课题研究的目的及意义 | 第11页 |
| 1.3 国内外研究现状 | 第11-16页 |
| 1.3.1 基于滑动窗口的物体检测算法 | 第12-13页 |
| 1.3.2 基于候选区域的物体检测算法 | 第13-14页 |
| 1.3.3 端到端的物体检测算法 | 第14-15页 |
| 1.3.4 三种物体检测框架的对比 | 第15-16页 |
| 1.4 本文研究的主要内容和组织架构 | 第16-18页 |
| 1.4.1 本文研究的主要内容 | 第16页 |
| 1.4.2 本文的组织架构 | 第16-18页 |
| 第二章 改进的Edge Boxes算法 | 第18-39页 |
| 2.1 引言 | 第18-19页 |
| 2.2 Edge Boxes算法 | 第19-25页 |
| 2.2.1 边缘段及相似度 | 第20-23页 |
| 2.2.2 边缘段的权值 | 第23-24页 |
| 2.2.3 滑动窗口的得分 | 第24-25页 |
| 2.3 Edge Boxes算法的优缺点分析 | 第25-26页 |
| 2.4 改进的Edge Boxes算法 | 第26-30页 |
| 2.4.1 显著性得分 | 第26-28页 |
| 2.4.2 位置信息得分 | 第28-29页 |
| 2.4.3 改进的滑动窗口分数计算方法 | 第29-30页 |
| 2.5 实验结果 | 第30-38页 |
| 2.5.1 显著性得分实验结果 | 第31-32页 |
| 2.5.2 位置信息得分实验结果 | 第32-33页 |
| 2.5.3 参数 1?和 2?的选择 | 第33-34页 |
| 2.5.4 参数?和?的选择 | 第34-36页 |
| 2.5.5 与主流的候选区域提取算法的对比 | 第36-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第三章 特征提取算法 | 第39-55页 |
| 3.1 引言 | 第39-41页 |
| 3.2 HOG特征 | 第41-43页 |
| 3.2.1 HOG特征的简介 | 第41-43页 |
| 3.2.2 HOG特征的优缺点 | 第43页 |
| 3.3 稀疏自编码特征 | 第43-47页 |
| 3.3.1 稀疏自编码特征的简介 | 第43-46页 |
| 3.3.2 稀疏自编码特征的优缺点 | 第46-47页 |
| 3.4 卷积神经网络特征 | 第47-50页 |
| 3.4.1 卷积神经网络特征的简介 | 第47-49页 |
| 3.4.2 卷积神经网络特征的优缺点 | 第49-50页 |
| 3.5 实验结果 | 第50-53页 |
| 3.5.1 三种特征在分类准确度上的对比 | 第50-52页 |
| 3.5.2 三种特征在提取速度上的对比 | 第52页 |
| 3.5.3 三种特征在稀疏性上的对比 | 第52-53页 |
| 3.6 本章小结 | 第53-55页 |
| 第四章 基于改进Edge Boxes算法的具体应用 | 第55-67页 |
| 4.1 引言 | 第55-56页 |
| 4.2 基于改进的Edge Boxes算法的车辆检测系统 | 第56-60页 |
| 4.2.1 基于改进的Edge Boxes算法的正负样本采集 | 第56-58页 |
| 4.2.2 卷积神经网络特征的网络结构 | 第58-59页 |
| 4.2.3 算法流程 | 第59-60页 |
| 4.3 实验结果 | 第60-66页 |
| 4.3.1 批量样本大小对微调VGG16卷积神经网络的影响 | 第60-63页 |
| 4.3.2 车辆检测算法的召回率，精度与速度 | 第63-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 本文总结 | 第67-68页 |
| 5.2 未来展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附件 | 第75页 |
