摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
第1章 绪论 | 第10-20页 |
1.1 课题背景及研究目的 | 第10-12页 |
1.2 与课题相关的国内外研究综述 | 第12-19页 |
1.3 本文的主要研究内容及论文结构 | 第19-20页 |
第2章 通视频分析系统的需求分析和总体设计 | 第20-30页 |
2.1 交通视频分析系统的需求分析 | 第20-21页 |
2.2 功能需求 | 第21-26页 |
2.2.1 车辆检测 | 第21页 |
2.2.2 车牌检测 | 第21-22页 |
2.2.3 车牌识别 | 第22页 |
2.2.4 车辆品牌和颜色的识别 | 第22页 |
2.2.5 车辆的轨迹跟踪 | 第22页 |
2.2.6 深度学习算法训练及推理 | 第22-26页 |
2.3 非功能需求 | 第26-27页 |
2.3.1 性能需求 | 第26-27页 |
2.3.2 速度需求 | 第27页 |
2.4 系统的总体设计 | 第27-29页 |
2.4.1 系统总体架构 | 第27-28页 |
2.4.2 深度学习算法训练及推理的功能结构图 | 第28页 |
2.4.3 深度学习训练及推理框架的主要功能活动 | 第28-29页 |
2.5 本章小结 | 第29-30页 |
第3章 交通视频分析系统的设计与实现 | 第30-60页 |
3.1 车辆检测及车牌检测功能的详细设计 | 第30-35页 |
3.1.1 交并比损失(IOU Loss) | 第30-33页 |
3.1.2 正负样本的选择 | 第33页 |
3.1.3 两阶段训练 | 第33-34页 |
3.1.4 结果评价 | 第34页 |
3.1.5 交并比损失的具体实现 | 第34-35页 |
3.2 车牌识别功能的详细设计 | 第35-43页 |
3.2.1 连接时序分类 | 第35-36页 |
3.2.2 输出标记 | 第36-37页 |
3.2.3 前向后向算法 | 第37-39页 |
3.2.4 损失函数 | 第39-41页 |
3.2.5 解码算法 | 第41-42页 |
3.2.6 结果评价 | 第42页 |
3.2.7 车牌识别网络结构 | 第42-43页 |
3.2.8 CTC损失具体实现 | 第43页 |
3.3 车辆品牌颜色识别功能的详细设计 | 第43-45页 |
3.3.1 焦点损失(focal loss) | 第44-45页 |
3.3.2 车牌品牌颜色识别的网络结构 | 第45页 |
3.4 目标跟踪的详细设计 | 第45-49页 |
3.4.1 卡尔曼滤波器 | 第46页 |
3.4.2 卡尔曼滤波器流程图 | 第46-47页 |
3.4.3 车辆跟踪流程图 | 第47-49页 |
3.5 深度学习训练及推理框架的详细设计和实现 | 第49-59页 |
3.5.1 配置文件解析模块的设计与实现 | 第49-53页 |
3.5.2 训练数据管理模块的设计与实现 | 第53-54页 |
3.5.3 网络结构模块的设计与实现 | 第54-56页 |
3.5.4 AI芯片上的深度学习算法推理优化策略及实现 | 第56-59页 |
3.6 本章小结 | 第59-60页 |
第4章 交通视频分析系统测试 | 第60-76页 |
4.1 车辆检测模型训练和测试 | 第60-64页 |
4.1.1 实验数据和网络设置 | 第60-61页 |
4.1.2 参数设置及训练过程 | 第61-63页 |
4.1.3 测试及结果分析 | 第63-64页 |
4.2 车牌检测模型训练 | 第64-67页 |
4.2.1 实验数据和网络设置 | 第64-65页 |
4.2.2 参数设置和训练过程 | 第65-66页 |
4.2.3 测试及结果分析 | 第66-67页 |
4.3 车牌识别 | 第67-71页 |
4.3.1 实验数据和网络设置 | 第67-69页 |
4.3.2 参数设置和训练过程 | 第69-70页 |
4.3.3 测试及结果分析 | 第70-71页 |
4.4 车辆品牌识别 | 第71-74页 |
4.4.1 实验数据和网络设置 | 第71-72页 |
4.4.2 参数设置和训练过程 | 第72-73页 |
4.4.3 测试及结果分析 | 第73-74页 |
4.5 目标跟踪 | 第74页 |
4.5.1 实验数据 | 第74页 |
4.5.2 实验过程及结果 | 第74页 |
4.6 本章小结 | 第74-76页 |
结论 | 第76-77页 |
参考文献 | 第77-81页 |
致谢 | 第81-82页 |
个人简历 | 第82页 |