| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 车辆目标提取方法研究现状 | 第11-13页 |
| 1.2.2 深度学习研究现状 | 第13-14页 |
| 1.3 研究内容与论文结构 | 第14-15页 |
| 第二章 基于无人机影像的车辆目标检测方法概述 | 第15-30页 |
| 2.1 无人机影像中的车辆特征概述 | 第15-16页 |
| 2.2 无人机影像中车辆目标提取技术流程 | 第16-18页 |
| 2.3 面向对象方法提取车辆目标 | 第18-21页 |
| 2.4 基于深度学习的物体检测概述 | 第21-29页 |
| 2.4.1 深度学习的基本知识 | 第21-23页 |
| 2.4.2 卷积神经网络概述 | 第23-26页 |
| 2.4.3 物体检测算法发展过程 | 第26-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于FasterR-CNN的车辆识别研究 | 第30-39页 |
| 3.1 将FasterR-CNN用于车辆检测的原因和思路 | 第30-33页 |
| 3.2 基于FasterR-CNN的车辆分类器设计 | 第33-37页 |
| 3.2.1 基于VGG-16模型的特征提取 | 第33-34页 |
| 3.2.2 基于RPN的候选区域生成 | 第34-35页 |
| 3.2.3 损失函数 | 第35-36页 |
| 3.2.4 ROI池化层 | 第36-37页 |
| 3.3 实验方法 | 第37-38页 |
| 3.3.1 训练过程 | 第37页 |
| 3.3.2 检测过程 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 实验设计与结果分析 | 第39-52页 |
| 4.1 基于面向对象方法的车辆目标检测 | 第39-46页 |
| 4.1.1 基于面向对象方法的无人机影像中道路区域检测 | 第39-43页 |
| 4.1.2 基于面向对象方法的车辆目标检测 | 第43-46页 |
| 4.2 基于深度学习的车辆目标检测 | 第46-49页 |
| 4.2.1 实验平台 | 第46页 |
| 4.2.2 实验数据 | 第46-47页 |
| 4.2.3 精度评价 | 第47-49页 |
| 4.3 两种方法实验结果对比和分析 | 第49-50页 |
| 4.3.1 检测时间对比 | 第49-50页 |
| 4.3.2 检测精度对比 | 第50页 |
| 4.4 车辆检测结果的应用 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间的研究成果 | 第58-59页 |
