| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 车辆检测研究现状 | 第10-11页 |
| 1.2.2 车型分类研究现状 | 第11-12页 |
| 1.3 本文内容安排及技术路线 | 第12-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 车前脸局部车辆图像数据集构建方法 | 第17-27页 |
| 2.1 原始车辆数据集 | 第17页 |
| 2.2 车牌定位方法 | 第17-23页 |
| 2.2.1 基于颜色的车牌定位方法 | 第18-20页 |
| 2.2.2 基于边缘检测的车牌定位方法 | 第20-21页 |
| 2.2.3 基于文字的车牌定位方法 | 第21-22页 |
| 2.2.4 车牌定位方法对比分析 | 第22-23页 |
| 2.3 基于车牌及车辆对称性的车辆定位方法 | 第23页 |
| 2.4 车辆前脸局部图像集的构建 | 第23-25页 |
| 2.5 小结 | 第25-27页 |
| 第三章 基于融合特征的机器学习车型分类方法 | 第27-43页 |
| 3.1 基于梯度方向直方图的特征提取 | 第27-30页 |
| 3.2 基于Gabor变换的特征提取 | 第30-33页 |
| 3.3 特征降维及融合 | 第33-36页 |
| 3.3.1 特征降维 | 第33-36页 |
| 3.3.2 特征融合 | 第36页 |
| 3.4 支持向量机分类器 | 第36-38页 |
| 3.5 实验分析 | 第38-41页 |
| 3.6 小结 | 第41-43页 |
| 第四章 基于深度学习网络的车型分类方法 | 第43-61页 |
| 4.1 深度学习概述 | 第43-47页 |
| 4.1.1 深度学习发展历程 | 第43-44页 |
| 4.1.2 卷积神经网络理论 | 第44-47页 |
| 4.2 迁移学习和参数优化 | 第47-49页 |
| 4.2.1 迁移学习 | 第47-48页 |
| 4.2.2 参数优化 | 第48-49页 |
| 4.3 卷积神经网络结构 | 第49-56页 |
| 4.3.1 基于VGG-16的车型分类模型 | 第50-52页 |
| 4.3.2 基于InceptionV3的车型分类模型 | 第52-54页 |
| 4.3.3 基于Xception的车型分类模型 | 第54-55页 |
| 4.3.4 基于Resnet50的车型分类模型 | 第55-56页 |
| 4.4 实验分析 | 第56-60页 |
| 4.5 小结 | 第60-61页 |
| 第五章 基于深层网络融合模型的车型分类方法 | 第61-69页 |
| 5.1 深层网络融合模型 | 第61-63页 |
| 5.2 深层网络融合模型实验 | 第63-64页 |
| 5.3 对比分析 | 第64-67页 |
| 5.4 小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 作者简介 | 第77页 |