| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 车辆检测研究现状 | 第14-17页 |
| 1.2.2 车辆测距研究现状 | 第17-18页 |
| 1.3 论文研究内容及研究目标 | 第18-19页 |
| 1.3.1 研究内容 | 第18-19页 |
| 1.3.2 研究目标 | 第19页 |
| 1.4 论文组织结构 | 第19-22页 |
| 2 基于深度学习的车辆检测算法 | 第22-38页 |
| 2.1 深度学习的相关研究 | 第22-27页 |
| 2.1.1 深度学习基本思想 | 第22页 |
| 2.1.2 深度学习模型 | 第22-25页 |
| 2.1.3 用于图像学习的深度学习框架 | 第25-27页 |
| 2.2 神经网络基础理论 | 第27-31页 |
| 2.2.1 前馈神经网络结构 | 第27-28页 |
| 2.2.2 梯度下降算法 | 第28-29页 |
| 2.2.3 误差反向传播算法 | 第29-31页 |
| 2.3 基于深度学习的车辆检测算法原理 | 第31-36页 |
| 2.3.1 CNN的原理 | 第31-33页 |
| 2.3.2 R-CNN的原理 | 第33-34页 |
| 2.3.3 Fast R-CNN的原理 | 第34-35页 |
| 2.3.4 Faster R-CNN的原理 | 第35-36页 |
| 2.4 本章小结 | 第36-38页 |
| 3 基于深度学习的车辆视频流跟踪检测 | 第38-62页 |
| 3.1 Faster R-CNN神经网络的组件 | 第38-46页 |
| 3.1.1 卷积层 | 第38-40页 |
| 3.1.2 池化层 | 第40-41页 |
| 3.1.3 全连接层 | 第41-42页 |
| 3.1.4 分类层 | 第42-43页 |
| 3.1.5 激活函数层 | 第43-46页 |
| 3.2 基于Faster R-CNN图像检测模型 | 第46-53页 |
| 3.2.1 Faster R-CNN基本思想 | 第46-47页 |
| 3.2.2 RPN网络结构 | 第47-50页 |
| 3.2.3 非极大值抑制 | 第50-51页 |
| 3.2.4 Faster R-CNN训练过程 | 第51-53页 |
| 3.3 基于Faster R-CNN的车辆检测系统的设计 | 第53-61页 |
| 3.3.1 视觉任务定义 | 第53-54页 |
| 3.3.2 检测系统方案可行性 | 第54-55页 |
| 3.3.3 检测系统设计 | 第55-60页 |
| 3.3.4 检测系统的性能指标 | 第60-61页 |
| 3.4 小结 | 第61-62页 |
| 4 基于视频流检测的行驶范围生成 | 第62-74页 |
| 4.1 单目测距模型 | 第62-64页 |
| 4.1.1 几何关系与摄像机投影模型 | 第62-63页 |
| 4.1.2 基于定参的模型 | 第63-64页 |
| 4.1.3 数据回归模型 | 第64页 |
| 4.2 基于小孔成像的单目测距模型 | 第64-69页 |
| 4.2.1 像素坐标系 | 第65页 |
| 4.2.2 图像坐标系 | 第65-66页 |
| 4.2.3 摄像机坐标系 | 第66-67页 |
| 4.2.4 世界坐标系 | 第67-69页 |
| 4.2.5 基于小孔成像的单目测距模型 | 第69页 |
| 4.3 单目测距模型摄像机参数标定 | 第69-70页 |
| 4.3.1 传统标定法 | 第69-70页 |
| 4.3.2 摄像机自标定法 | 第70页 |
| 4.3.3 基于主动视觉的摄像机标定法 | 第70页 |
| 4.4 基于数据回归的单目测距模型 | 第70-72页 |
| 4.5 小结 | 第72-74页 |
| 5 实验及结果分析 | 第74-92页 |
| 5.1 实验环境搭建 | 第74-77页 |
| 5.1.1 安装Nvidia显卡驱动 | 第74页 |
| 5.1.2 安装CUDA9.0 | 第74-75页 |
| 5.1.3 安装cuDNN7.0 | 第75-76页 |
| 5.1.4 安装Tensorflow | 第76-77页 |
| 5.2 实验数据准备 | 第77-83页 |
| 5.2.1 采集图片数据集 | 第77-80页 |
| 5.2.2 标定数据采集 | 第80-83页 |
| 5.3 实验内容 | 第83-84页 |
| 5.3.1 训练检测模型 | 第83-84页 |
| 5.3.2 标定摄像机参数 | 第84页 |
| 5.4 实验结果分析 | 第84-90页 |
| 5.5 小结 | 第90-92页 |
| 6 总结与展望 | 第92-94页 |
| 6.1 总结 | 第92-93页 |
| 6.2 展望 | 第93-94页 |
| 参考文献 | 第94-98页 |
| 图索引 | 第98-100页 |
| 表索引 | 第100-102页 |
| 作者简历 | 第102-106页 |
| 学位论文数据集 | 第106页 |