| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景及现实意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 智能交通系统的研究现状 | 第10-15页 |
| 1.3.1 车辆检测的研究状况 | 第12-13页 |
| 1.3.2 车辆颜色识别研究现状 | 第13-14页 |
| 1.3.3 轨迹关联研究状况 | 第14-15页 |
| 1.4 本文主要工作及结构安排 | 第15-17页 |
| 1.4.1 论文的主要工作 | 第15页 |
| 1.4.2 论文结构安排 | 第15-17页 |
| 第二章 相关理论及关键技术概述 | 第17-28页 |
| 2.1 神经网络的框架 | 第17-18页 |
| 2.2 车辆颜色识别方法相关技术 | 第18-21页 |
| 2.2.1 颜色理论及直方图特征 | 第18-19页 |
| 2.2.2 颜色直方图特征 | 第19-20页 |
| 2.2.3 形态学处理和图像增强 | 第20-21页 |
| 2.3 车辆轨迹关联相关技术 | 第21-27页 |
| 2.3.1 角点检测 | 第21-22页 |
| 2.3.2 基于能量函数最小化的轨迹关联算法 | 第22-25页 |
| 2.3.3 表观模型轨迹关联算法 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于深度学习的车辆检测方法 | 第28-43页 |
| 3.1 车辆检测系统框架及设计思路 | 第28-29页 |
| 3.2 传统的车辆检测方法论述 | 第29-35页 |
| 3.2.1 基于帧间差分法的车辆检测 | 第29-31页 |
| 3.2.2 基于HOG特征的车辆检测方法 | 第31-35页 |
| 3.3 基于卷积神经网络的车辆检测系统 | 第35-38页 |
| 3.3.1 从RCNN到Fast-RCNN | 第35-36页 |
| 3.3.2 基于Fast-RCNN的车辆检测方法网络结构 | 第36-38页 |
| 3.4 实验分析与评估 | 第38-42页 |
| 3.4.1 训练环境与测试环境的搭建 | 第38-39页 |
| 3.4.2 数据集的建立 | 第39-40页 |
| 3.4.3 数据集的测试 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于超像素分割和词袋模型的车辆颜色识别方法 | 第43-58页 |
| 4.1 车辆颜色识别系统设计思路及框架 | 第43-44页 |
| 4.2 车辆图像的预处理 | 第44-48页 |
| 4.2.1 形态学处理 | 第45-46页 |
| 4.2.2 基于边缘检测的车窗定位 | 第46-48页 |
| 4.3 基于超像素的分割方法 | 第48-51页 |
| 4.3.1 SLIC简单线性迭代聚类 | 第48-49页 |
| 4.3.2 SLIC的算法流程及分割效果 | 第49-51页 |
| 4.4 基于词袋模型的图像特征提取 | 第51-53页 |
| 4.4.1 混合颜色直方图 | 第51-52页 |
| 4.4.2 图像特征向量提取 | 第52-53页 |
| 4.5 基于超像素分割和词袋模型的车辆颜色识别算法流程 | 第53-54页 |
| 4.6 实验分析与评估 | 第54-57页 |
| 4.6.1 数据集建立 | 第54-55页 |
| 4.6.2 实验结果 | 第55-57页 |
| 4.7 本章小结 | 第57-58页 |
| 第五章 多目标跟踪的车辆轨迹关联研究 | 第58-67页 |
| 5.1 车辆轨迹关联系统框架及设计思路 | 第58-59页 |
| 5.2 基于最近相邻规则的优先匹配标准 | 第59-60页 |
| 5.2.1 最近相邻规则 | 第59-60页 |
| 5.3 基于最近相邻匹配标准的车辆轨迹关联 | 第60-63页 |
| 5.3.1 目标遮挡的判断 | 第60-61页 |
| 5.3.2 轨迹片段间的填补 | 第61页 |
| 5.3.3 算法流程 | 第61-63页 |
| 5.4 实验分析与评估 | 第63-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 本文工作总结 | 第67页 |
| 6.2 不足与展望 | 第67-69页 |
| 参考文献 | 第69-71页 |
| 附录1 攻读硕士学位期间申请的专利 | 第71-72页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第72-73页 |
| 致谢 | 第73页 |
