| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 车辆检测方法研究现状 | 第11-13页 |
| 1.2.2 一般目标检测方法研究现状 | 第13-15页 |
| 1.3 本文主要研究内容及组织结构 | 第15-17页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 文章组织结构及创新之处 | 第16-17页 |
| 第二章 常用的车辆检测特征相关研究概述 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 人工设计特征 | 第17-21页 |
| 2.2.1 HOG特征 | 第17-19页 |
| 2.2.2 LBP特征 | 第19-20页 |
| 2.2.3 RCD特征 | 第20-21页 |
| 2.3 可学习特征 | 第21-28页 |
| 2.3.1 人工神经网络 | 第21-22页 |
| 2.3.2 BP神经网络 | 第22-24页 |
| 2.3.3 卷积特征 | 第24-25页 |
| 2.3.4 基于卷积特征的目标检测方法 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于LFP和RCD(G)特征的车辆检测研究 | 第29-41页 |
| 3.1 引言 | 第29页 |
| 3.2 提出的两种特征 | 第29-31页 |
| 3.2.1 LFP特征 | 第29-30页 |
| 3.2.2 RCD(G)特征 | 第30-31页 |
| 3.3 人工设计特征车辆检测方法流程 | 第31-32页 |
| 3.4 实验及结果分析 | 第32-40页 |
| 3.4.1 建立数据库 | 第32-34页 |
| 3.4.2 提取特征 | 第34-35页 |
| 3.4.3 实验结果分析 | 第35-40页 |
| 3.5 本章小节 | 第40-41页 |
| 第四章 基于深层卷积特征的车辆检测研究 | 第41-52页 |
| 4.1 引言 | 第41页 |
| 4.2 深度学习框架Caffe | 第41-43页 |
| 4.2.1 深度学习框架Caffe基本介绍 | 第41-42页 |
| 4.2.2 Caffe的三大模块 | 第42-43页 |
| 4.3 深层卷积神经网络 | 第43-46页 |
| 4.3.1 LeNet-5网络 | 第43页 |
| 4.3.2 AlexNet网络 | 第43-44页 |
| 4.3.3 VGGNet网络 | 第44-46页 |
| 4.4 MyVGGNet卷积神经网络 | 第46-48页 |
| 4.5 卷积特征车辆检测方法流程 | 第48页 |
| 4.6 实验及结果分析 | 第48-50页 |
| 4.7 本章小节 | 第50-52页 |
| 第五章 总结与展望 | 第52-53页 |
| 5.1 工作总结 | 第52页 |
| 5.2 工作展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间主要科研成果 | 第58页 |