| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 选题背景及课题的研究意义 | 第11-13页 |
| 1.2 智能交通系统及车辆检测研究现状 | 第13-16页 |
| 1.3 深度学习研究现状 | 第16-17页 |
| 1.4 主要工作及章节安排 | 第17-19页 |
| 1.4.1 本文主要研究工作 | 第17页 |
| 1.4.2 论文的章节安排 | 第17-19页 |
| 第二章 传统的车辆检测方法论述 | 第19-33页 |
| 2.1 常用颜色模型介绍 | 第19-23页 |
| 2.2 基于帧间差分的车辆检测 | 第23-25页 |
| 2.3 基于背景差分的车辆检测 | 第25-27页 |
| 2.4 基于光流法的车辆检测 | 第27-30页 |
| 2.5 传统的车辆检测与基于深度学习的车辆检测对比 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 浅层分类器、深度学习及卷积神经网络综述 | 第33-47页 |
| 3.1 浅层分类器 | 第33-40页 |
| 3.1.1 线性判别分析法LDA | 第33-35页 |
| 3.1.2 支持向量机SVM | 第35-38页 |
| 3.1.3 随机森林 | 第38-39页 |
| 3.1.4 K近邻算法 | 第39-40页 |
| 3.2 从浅层学习到深度学习 | 第40-41页 |
| 3.3 卷积神经网络 | 第41-46页 |
| 3.3.1 卷积神经网络模型概述 | 第41-43页 |
| 3.3.2 感受野与权值共享 | 第43-45页 |
| 3.3.3 空间降采样 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 基于卷积神经网络的道路车辆检测系统 | 第47-64页 |
| 4.1 将卷积神经网络应用于车辆检测的原因和思路 | 第47-48页 |
| 4.2 卷积神经网络车辆检测器的设计 | 第48-57页 |
| 4.2.1 车辆分类器的设计思路 | 第48页 |
| 4.2.2 卷积神经网络模型 | 第48-51页 |
| 4.2.3 数据集的预处理 | 第51-53页 |
| 4.2.4 采用反向传播算法训练样本集 | 第53-57页 |
| 4.3 卷积神经网络在测试集及实际视频中的检测结果 | 第57-63页 |
| 4.3.1 十折交叉验证 | 第57页 |
| 4.3.2 车辆检测评估指标介绍 | 第57-58页 |
| 4.3.3 在测试样本集的分类结果分析 | 第58-61页 |
| 4.3.4 在实际视频流中的检测效果 | 第61-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 基于空间金字塔池化的多尺度车辆检测 | 第64-80页 |
| 5.1 将空间金字塔池化的结构应用于车辆检测的原因和思路 | 第64-67页 |
| 5.2 基于空间金字塔池化的车辆分类器设计 | 第67-74页 |
| 5.2.1 基于SPP的卷积神经网络车辆分类器结构 | 第67-68页 |
| 5.2.2 卷积神经网络车辆分类器中的ZF-5 模型 | 第68-69页 |
| 5.2.3 卷积神经网络车辆分类器中的空间金字塔池化层 | 第69-71页 |
| 5.2.4 基于SPP的卷积神经网络检测器设计 | 第71-73页 |
| 5.2.5 基于SPP的卷积神经网络检测器中的非极大值抑制算法 | 第73-74页 |
| 5.3 基于空间金字塔池化的卷积神经网络模型分类及检测结果分析 | 第74-79页 |
| 5.3.1 基于SPP的卷积神经网络分类器的训练和分类效果分析 | 第74-77页 |
| 5.3.2 基于SPP的卷积神经网络车辆检测器效果分析 | 第77-79页 |
| 5.4 本章小结 | 第79-80页 |
| 总结与展望 | 第80-82页 |
| 总结 | 第80页 |
| 展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 攻读硕士学位期间取得的研究成果 | 第86-87页 |
| 致谢 | 第87-88页 |
| 附件 | 第88页 |
