| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第12-25页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外文献综述 | 第13-22页 |
| 1.2.1 目标检测的传统算法 | 第14-15页 |
| 1.2.2 深度学习算法及其网络结构 | 第15-18页 |
| 1.2.3 深度学习目标检测算法 | 第18-21页 |
| 1.2.5 既有研究总结及不足 | 第21-22页 |
| 1.3 论文主要内容 | 第22-24页 |
| 1.4 技术路线 | 第24-25页 |
| 2 车辆和行人识别算法的对比分析 | 第25-46页 |
| 2.1 深度学习识别网络分析 | 第25-31页 |
| 2.1.1 卷积神经网络 | 第25-27页 |
| 2.1.2 深度神经网络的主要问题 | 第27-31页 |
| 2.2 车辆和行人深度学习实时识别算法对比实验 | 第31-44页 |
| 2.2.1 车辆和行人实时识别实验数据集 | 第31-32页 |
| 2.2.2 车辆和行人数据集Faster-Rcnn算法识别实验 | 第32-40页 |
| 2.2.3 车辆和行人数据集SSD算法识别实验 | 第40-44页 |
| 2.3 车辆和行人数据集集识别算法实验结果比较分析 | 第44页 |
| 2.4 本章小结 | 第44-46页 |
| 3 车辆和人识别的级联SSD算法研究 | 第46-60页 |
| 3.1 基于FPN的SSD网络算法 | 第46-48页 |
| 3.2 车辆和行人的识别的级联SSD算法 | 第48-56页 |
| 3.2.1 级联RPN网络 | 第48-49页 |
| 3.2.2 级联SSD算法结构 | 第49-52页 |
| 3.2.3 车辆和行人数据集级联SSD算法识别实验及结果比较分析 | 第52-56页 |
| 3.3 以图像切分法提高识别实时性 | 第56-59页 |
| 3.3.1 图像切分法的意义 | 第56-57页 |
| 3.3.2 图像切分法的实时检测框架 | 第57-58页 |
| 3.3.3 图像切分法的实时检测框架效果分析 | 第58-59页 |
| 3.4 本章小结 | 第59-60页 |
| 4 驾驶员与交通标志关联识别研究 | 第60-69页 |
| 4.1 交通标志实验数据集 | 第60-61页 |
| 4.2 驾驶员与交通标志的关联性建模-非局部神经网络 | 第61-64页 |
| 4.3 驾驶员与交通标志关联识别算法实验及结果比较分析 | 第64-67页 |
| 4.3.1 级联SSD算法识别实验 | 第64-65页 |
| 4.3.2 加入非局部网络结构的级联SSD算法识别实验 | 第65-67页 |
| 4.4 本章小节 | 第67-69页 |
| 5 结论与展望 | 第69-71页 |
| 5.1 主要结论与工作 | 第69-70页 |
| 5.2 展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 附录 | 第74-89页 |
| 论文主要程序 | 第74页 |
| 1 级联ssd算法renet+FPN结构 | 第74-79页 |
| 2 级联ssdcuda内核代码 | 第79-86页 |
| 3 Non local结构 | 第86-89页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第89-91页 |
| 学位论文数据集 | 第91页 |
