| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 交通拥堵识别方法研究现状 | 第9-11页 |
| 1.3 本文的研究内容和章节安排 | 第11-13页 |
| 1.3.1 研究内容 | 第11页 |
| 1.3.2 章节安排 | 第11-13页 |
| 第二章 深度卷积神经网络 | 第13-25页 |
| 2.1 卷积神经网络基本理论 | 第13-17页 |
| 2.1.1 局部感受野 | 第15页 |
| 2.1.2 权值共享 | 第15页 |
| 2.1.3 多卷积核 | 第15-16页 |
| 2.1.4 下采样 | 第16-17页 |
| 2.2 经典卷积神经网络模型 | 第17-21页 |
| 2.3 常用数据集介绍 | 第21-22页 |
| 2.3.1 ImageNet数据集 | 第21-22页 |
| 2.3.2 PASCALVOC数据集 | 第22页 |
| 2.4 卷积神经网络的应用 | 第22-24页 |
| 2.4.1 ImageNet图像分类 | 第22-23页 |
| 2.4.2 人脸识别 | 第23-24页 |
| 2.4.3 深度学习在物体检测中的应用 | 第24页 |
| 2.5 本章小节 | 第24-25页 |
| 第三章 交通拥堵图像数据库构建 | 第25-36页 |
| 3.1 图像收据库构建方法 | 第25-29页 |
| 3.1.1 基于视频的交通拥堵数据采集 | 第25-28页 |
| 3.1.2 交通拥堵的定义 | 第28-29页 |
| 3.2 图像数据库构建过程 | 第29-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 基于AlexNet模型的交通拥堵状态识别方法 | 第36-58页 |
| 4.1 Alexnet模型简介 | 第36-38页 |
| 4.2 AlexNet模型实现平台 | 第38-39页 |
| 4.2.1 Caffe平台 | 第39页 |
| 4.2.2 NVIDIA的DIGITS平台 | 第39页 |
| 4.3 数据集中样本的预处理 | 第39-41页 |
| 4.4 AlexNet模型的训练 | 第41-45页 |
| 4.3.1 损失函数 | 第41-42页 |
| 4.3.2 学习率 | 第42-44页 |
| 4.3.3 模型的层数 | 第44-45页 |
| 4.5 AlexNet模型的测试及优化 | 第45-57页 |
| 4.6 本章总结 | 第57-58页 |
| 第五章 实际高速公路工程应用 | 第58-65页 |
| 5.1 实时图像获取 | 第58-61页 |
| 5.2 AlexNet交通状态模型实际测试 | 第61-62页 |
| 5.3 AlexNet交通状态模型的优化 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 本文工作总结 | 第65页 |
| 6.2 未来工作展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72页 |