| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究目的与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 智能交通系统的发展与崛起 | 第13-14页 |
| 1.2.2 视觉传感系统在ITS中车辆检测与无人驾驶中的应用 | 第14-17页 |
| 1.2.3 智能交通视频目标检测与目标跟踪 | 第17-19页 |
| 1.3 论文的研究内容和创新点 | 第19-20页 |
| 1.3.1 研究内容 | 第19-20页 |
| 1.3.2 创新点 | 第20页 |
| 1.4 论文的章节安排 | 第20-22页 |
| 第二章 智能交通目标检测与跟踪相关研究与本文关键技术 | 第22-39页 |
| 2.1 智能交通图像数据特征融合 | 第22-24页 |
| 2.1.1 像素特征级融合 | 第22-23页 |
| 2.1.2 人工特征级融合 | 第23页 |
| 2.1.3 决策级融合 | 第23-24页 |
| 2.2 传统机器视觉方法 | 第24-30页 |
| 2.2.1 方向梯度直方图特征表达 | 第24-25页 |
| 2.2.2 视觉背景提取模型 | 第25-27页 |
| 2.2.3 粒子滤波算法 | 第27-28页 |
| 2.2.4 实验仿真 | 第28-30页 |
| 2.3 智能交通系统中的机器学习法方法 | 第30-38页 |
| 2.3.1 支持向量机 | 第30-31页 |
| 2.3.2 梯度提升算法模型 | 第31-32页 |
| 2.3.3 人工神经网络 | 第32-34页 |
| 2.3.4 卷积神经网络 | 第34-36页 |
| 2.3.5 实验仿真 | 第36-38页 |
| 2.4 小结 | 第38-39页 |
| 第三章 双模型耦合超参数自适应调节方法 | 第39-55页 |
| 3.1 引言 | 第39-40页 |
| 3.2 视觉背景提取算法模型 | 第40-41页 |
| 3.3 视觉背景提取自适应参数定义 | 第41-45页 |
| 3.3.1 闪烁能量 | 第42-44页 |
| 3.3.2 目标概率 | 第44-45页 |
| 3.4 双模型耦合自适应超参数 | 第45-48页 |
| 3.5 仿真实验及结果分析 | 第48-54页 |
| 3.5.1 可视化实验结果 | 第49-50页 |
| 3.5.2 量化对比实验 | 第50-54页 |
| 3.7 小结 | 第54-55页 |
| 第四章 基于跨级别多特征决策融合分类的多车辆检测算法 | 第55-75页 |
| 4.1 引言 | 第55-56页 |
| 4.2 基于跨级别多特征决策融合的车辆识别算法 | 第56-66页 |
| 4.2.1 特征选择 | 第57-62页 |
| 4.2.2 选择决策器 | 第62-63页 |
| 4.2.3 基于提升树模型XGboost的跨级别多特征决策融合的车辆识别 | 第63-66页 |
| 4.3 基于多特征决策融合的多车辆定位 | 第66-68页 |
| 4.3.1 多尺度滑动检测框 | 第66-67页 |
| 4.3.2 基于热力值的多车辆检测 | 第67-68页 |
| 4.4 实验及结果分析 | 第68-74页 |
| 4.4.1 HOG颜色通道识别正确率对比实验 | 第70-71页 |
| 4.4.2 不同分类器识别正确率对比实验 | 第71-73页 |
| 4.4.3 目标检测成功率对比实验 | 第73-74页 |
| 4.5 小结 | 第74-75页 |
| 第五章 基于粒子滤波自适应变尺度搜索与三阈值模板更新策略 | 第75-86页 |
| 5.1 引言 | 第75-76页 |
| 5.2 粒子滤波算法的车辆直方图集成特征 | 第76-79页 |
| 5.3 三阈值随机模板更新策略 | 第79-82页 |
| 5.4 仿真实验及结果分析 | 第82-85页 |
| 5.4.1 可视化实验结果 | 第82-83页 |
| 5.4.2 量化实验结果 | 第83-85页 |
| 5.5 小结 | 第85-86页 |
| 第六章 基于压缩深度学习的车辆行驶方向控制研究 | 第86-111页 |
| 6.1 引言 | 第86-87页 |
| 6.2 MobileNets核心思想 | 第87-91页 |
| 6.2.1 深可分解卷积 | 第87-90页 |
| 6.2.2 改进的MobileNets | 第90-91页 |
| 6.2.3 宽度乘数与分辨率乘数 | 第91页 |
| 6.3 构造基于MobileNets模块的端对端网络 | 第91-96页 |
| 6.3.1 网络基本架构 | 第91-92页 |
| 6.3.2 批量归一化 | 第92-94页 |
| 6.3.3 Swish激活函数 | 第94-96页 |
| 6.4 仿真实验及结果分析 | 第96-106页 |
| 6.4.1 虚拟仿真 | 第96-101页 |
| 6.4.2 真实场景下的实验分析 | 第101-106页 |
| 6.5 无人驾驶视觉系统 | 第106-109页 |
| 6.6 小结 | 第109-111页 |
| 第七章 总结与展望 | 第111-114页 |
| 7.1 总结 | 第111-112页 |
| 7.2 展望 | 第112-114页 |
| 参考文献 | 第114-126页 |
| 致谢 | 第126-129页 |
| 附录 | 第129-132页 |
| 附录A 攻读博士学位期间取得的成果 | 第129-131页 |
| 附录B 攻读博士学位期间参与的项目 | 第131-132页 |
| 附录C 攻读博士学位期间获得的奖励和荣誉 | 第132页 |
