| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 车辆检测算法的发展 | 第12-13页 |
| 1.2.2 深度学习算法加速技术 | 第13-14页 |
| 1.3 论文的主要工作和组织结构安排 | 第14-16页 |
| 1.3.1 论文的主要工作 | 第14-15页 |
| 1.3.2 论文的组织结构安排 | 第15-16页 |
| 第二章 车辆检测技术和深度学习相关理论 | 第16-30页 |
| 2.1 车辆检测任务及传统实现手段 | 第16-17页 |
| 2.2 基于深度学习的目标检测算法 | 第17-25页 |
| 2.2.1 图像目标识别任务及卷积神经网络原理 | 第17-25页 |
| 2.3 YOLO框架下的目标检测算法 | 第25-29页 |
| 2.3.1 YOLO目标检测框架 | 第25页 |
| 2.3.2 YOLOv1 | 第25-27页 |
| 2.3.3 YOLOv2 | 第27-28页 |
| 2.3.4 TINY YOLO | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 系统关键算法研究 | 第30-55页 |
| 3.1 误差分析与数据集优化 | 第30-42页 |
| 3.1.1 数据集的来源与用途 | 第31-32页 |
| 3.1.2 误差的产生与分类 | 第32-34页 |
| 3.1.3 误差曲线分析方法 | 第34-35页 |
| 3.1.4 误差表格分析方法 | 第35-37页 |
| 3.1.5 实验及结果 | 第37-42页 |
| 3.2 算法参数优化与网络改进方案 | 第42-49页 |
| 3.2.1 交并比阈值(OVthresh)和置信度阈值(confidence)参数 | 第42-47页 |
| 3.2.2 改进anchor box对算法性能的影响 | 第47-49页 |
| 3.3 算法小型化方法与嵌入式硬件加速方案 | 第49-53页 |
| 3.3.1 ARM+FPGA架构硬件加速方案 | 第49-50页 |
| 3.3.2 算法小型化与模型剪裁方案 | 第50-53页 |
| 3.3.3 实验与结果 | 第53页 |
| 3.4 本章小结 | 第53-55页 |
| 第四章 系统设计与实现 | 第55-79页 |
| 4.1 系统概述 | 第55-56页 |
| 4.1.1 系统总体目标 | 第55页 |
| 4.1.2 系统开发平台与开发环境 | 第55页 |
| 4.1.3 系统硬件架构及硬件资源 | 第55-56页 |
| 4.2 系统总体结构及各功能模块划分 | 第56-58页 |
| 4.3 主处理流程 | 第58-59页 |
| 4.4 系统各子模块设计与实现 | 第59-78页 |
| 4.4.1 摄像头模块 | 第59-61页 |
| 4.4.2 初始化与预处理模块 | 第61-66页 |
| 4.4.3 卷积层处理模块 | 第66-74页 |
| 4.4.4 池化层处理模块 | 第74-75页 |
| 4.4.5 softmax层处理模块 | 第75-76页 |
| 4.4.6 非极大值抑制模块 | 第76-77页 |
| 4.4.7 显示模块 | 第77-78页 |
| 4.5 本章小结 | 第78-79页 |
| 第五章 系统测试和验证 | 第79-83页 |
| 5.1 系统运行效果 | 第79-80页 |
| 5.1.1 测试平台及其硬件资源 | 第79页 |
| 5.1.2 系统综合仿真后硬件资源占用情况 | 第79-80页 |
| 5.1.3 路测效果与系统性能 | 第80页 |
| 5.2 算法耗时统计对比 | 第80-82页 |
| 5.2.1 假设资源充足的理论耗时 | 第81页 |
| 5.2.2 资源有限时存在数据分割情况的理论耗时 | 第81-82页 |
| 5.3 本章小结 | 第82-83页 |
| 第六章 总结与展望 | 第83-85页 |
| 6.1 本文主要贡献 | 第83-84页 |
| 6.2 展望 | 第84-85页 |
| 致谢 | 第85-86页 |
| 参考文献 | 第86-89页 |
| 攻硕期间取得的研究成果 | 第89-90页 |
| 附录 | 第90-93页 |
| 附录1：anchor box参数改进前后训练性能对比表 | 第90-92页 |
| 附录2：虚拟集图片生成工具生成图片效果 | 第92-93页 |
