| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 选题依据、研究背景及意义 | 第10-11页 |
| 1.1.1 选题依据 | 第10页 |
| 1.1.2 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 雾霾图像复原技术研究现状 | 第11-14页 |
| 1.2.2 车型识别技术研究现状及难点 | 第14-17页 |
| 1.3 本文主要研究内容及安排 | 第17-20页 |
| 1.3.1 主要研究内容 | 第17-18页 |
| 1.3.2 论文组织结构 | 第18-20页 |
| 1.4 本章小结 | 第20-22页 |
| 第2章 基于CNN的雾霾环境下车型识别技术理论基础 | 第22-30页 |
| 2.1 基于大气散射模型的雾霾图像复原技术理论 | 第22-25页 |
| 2.1.1 雾霾粒子散射特性理论 | 第22-23页 |
| 2.1.2 雾天降质图像成像物理模型 | 第23-25页 |
| 2.2 车型识别技术理论 | 第25-29页 |
| 2.2.1 卷积神经网络CNN | 第25-27页 |
| 2.2.2 Softmax回归模型 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 基于霾散射特性的图像去雾霾改进算法 | 第30-44页 |
| 3.1 大气散射模型及成像原理 | 第30-32页 |
| 3.1.1 雾霾成因 | 第30-31页 |
| 3.1.2 大气散射计算模型 | 第31-32页 |
| 3.2 基于霾散射特性的图像去雾霾算法 | 第32-37页 |
| 3.2.1 图像去雾霾算法流程 | 第33页 |
| 3.2.2 具有霾散射特性的新亮度公式推导方法 | 第33-34页 |
| 3.2.3 基于新亮度公式的逆退化模型推导方法 | 第34-37页 |
| 3.3 实验结果及分析 | 第37-40页 |
| 3.4 在城市道路监控中的应用 | 第40-41页 |
| 3.5 本章小结 | 第41-44页 |
| 第4章 基于深度卷积神经网络的多视角车型识别改进研究 | 第44-58页 |
| 4.1 车型识别技术 | 第44-47页 |
| 4.1.1 车型图像数据集 | 第44-46页 |
| 4.1.2 车型识别技术流程 | 第46-47页 |
| 4.2 网络结构设计方案 | 第47-51页 |
| 4.2.1 车型识别CNN网络 | 第47-49页 |
| 4.2.2 网络训练及优化 | 第49-51页 |
| 4.3 车型识别结果分析 | 第51-57页 |
| 4.3.1 基于深度CNN的车型识别对比分析 | 第51-56页 |
| 4.3.2 多类车型识别方法对比分析 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 基于深度CNN的复杂环境下车型识别系统 | 第58-72页 |
| 5.1 系统设计的目的及意义 | 第58页 |
| 5.2 车型识别系统总体设计 | 第58-60页 |
| 5.3 车型图像预处理模块 | 第60-65页 |
| 5.3.1 车型图像训练预处理 | 第61-62页 |
| 5.3.2 车型图像分类预处理 | 第62-65页 |
| 5.4 车型分类模块 | 第65-68页 |
| 5.5 系统实现 | 第68-71页 |
| 5.6 本章小结 | 第71-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 6.1 全文总结 | 第72-73页 |
| 6.2 未来工作展望 | 第73-74页 |
| 参考文献 | 第74-81页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第81-82页 |
| 致谢 | 第82-83页 |