| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题来源及研究背景和意义 | 第8-10页 |
| 1.1.1 课题的来源 | 第8页 |
| 1.1.2 课题研究的背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文主要研究内容及章节安排 | 第11-13页 |
| 第2章 卷积神经网络基础理论 | 第13-34页 |
| 2.1 概述 | 第13页 |
| 2.2 神经网络基本结构及网络的学习算法 | 第13-23页 |
| 2.2.1 感知机与Sigmoid神经元 | 第13-17页 |
| 2.2.2 神经网络基本结构 | 第17-18页 |
| 2.2.3 梯度下降算法与反向传播算法 | 第18-23页 |
| 2.3 卷积神经网络 | 第23-33页 |
| 2.3.1 卷积层 | 第24-26页 |
| 2.3.2 池化层 | 第26-28页 |
| 2.3.3 激活函数 | 第28-30页 |
| 2.3.4 分类器以及损失函数 | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于深度学习的目标检测算法 | 第34-46页 |
| 3.1 交通监控视频目标检测算法设计思路 | 第34-35页 |
| 3.2 目标检测算法研究 | 第35-39页 |
| 3.2.1 传统目标检测方法 | 第35-36页 |
| 3.2.2 基于Region Proposal的深度学习目标检测算法 | 第36-39页 |
| 3.3 基于YOLO网络的目标检测器设计 | 第39-45页 |
| 3.3.1 交通监控视频目标检测中YOLO的优势 | 第39-41页 |
| 3.3.2 检测器卷积神经网络结构设计 | 第41-43页 |
| 3.3.3 双模型切换检测器设计 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于核相关滤波器的多目标跟踪器设计 | 第46-58页 |
| 4.1 跟踪器设计总体方案 | 第46-47页 |
| 4.2 KCF跟踪算法研究 | 第47-52页 |
| 4.2.1 KCF算法基础 | 第47-50页 |
| 4.2.2 方向梯度直方图 | 第50-51页 |
| 4.2.3 主成分分析 | 第51-52页 |
| 4.3 卡尔曼滤波 | 第52-55页 |
| 4.4 数据关联算法 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 实验测试与分析 | 第58-68页 |
| 5.1 实验环境 | 第58页 |
| 5.2 YOLO网络的训练 | 第58-66页 |
| 5.2.1 样本采集与样本处理 | 第58-62页 |
| 5.2.2 YOLO网络训练过程 | 第62-63页 |
| 5.2.3 训练结果分析 | 第63-66页 |
| 5.3 总体系统实验结果与分析 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 结论 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第73-75页 |
| 致谢 | 第75页 |