| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 引言 | 第11-16页 |
| ·课题研究背景与意义 | 第11-12页 |
| ·国内外研究发展现状 | 第12-14页 |
| ·论文结构 | 第14-16页 |
| 2 前期工作 | 第16-25页 |
| ·铁轨图像中的轨道定位 | 第16-20页 |
| ·基于投影分析的轨道检测方法 | 第17-18页 |
| ·基于长直线检测算法的轨道检测 | 第18-19页 |
| ·基于上下文信息的有监督铁轨位置检测方法 | 第19-20页 |
| ·铁轨图像中的扣件定位与检测 | 第20-23页 |
| ·扣件的特征描述 | 第20-21页 |
| ·扣件的定位与检测 | 第21-22页 |
| ·基于汉明距离的铁轨扣件检测 | 第22-23页 |
| ·不足与解决方案 | 第23-24页 |
| ·小结 | 第24-25页 |
| 3 扣件检测基准测试数据集和评估系统 | 第25-30页 |
| ·扣件位置与分类信息的标注 | 第25-27页 |
| ·实验结果的自动评估 | 第27-29页 |
| ·小结 | 第29-30页 |
| 4 基于在线学习的自适应扣件检测算法 | 第30-47页 |
| ·k近邻分类器 | 第31-32页 |
| ·KNN的理论依据 | 第31页 |
| ·HoG特征的相似性度量 | 第31-32页 |
| ·基于在线学习的模板库 | 第32-34页 |
| ·初始模板库 | 第32-33页 |
| ·手工标定扣件 | 第33页 |
| ·动态模板库 | 第33-34页 |
| ·基于在线学习的自适应扣件检测算法在扣件检测中的应用 | 第34-37页 |
| ·扣件检测的流程 | 第34-35页 |
| ·扣件负样本的选取 | 第35-36页 |
| ·KNN算法中k个近邻的权重 | 第36-37页 |
| ·实验及结果分析 | 第37-46页 |
| ·开发与实验环境 | 第37页 |
| ·实验数据 | 第37-38页 |
| ·实验评估指标 | 第38-39页 |
| ·各线路分类结果 | 第39-41页 |
| ·近邻数量对分类结果的影响 | 第41-42页 |
| ·扣件负样本选取的影响 | 第42-43页 |
| ·k近邻距离的权重影响 | 第43-44页 |
| ·动态模板库大小的影响 | 第44-45页 |
| ·与前期工作中的固定阈值算法的比较 | 第45-46页 |
| ·小结 | 第46-47页 |
| 5 基于CPU-GPGPU异构的扣件检测系统 | 第47-62页 |
| ·GPGPU的架构和工作机制 | 第47-51页 |
| ·GPU的架构 | 第48-49页 |
| ·并发线程组织结构 | 第49-50页 |
| ·GPU的存储模型 | 第50-51页 |
| ·并行化的主要部分 | 第51-52页 |
| ·HoG特征提取算法的并行化 | 第52-54页 |
| ·梯度直方图的统计 | 第52-53页 |
| ·重组梯度直方图为HoG特征 | 第53-54页 |
| ·距离计算的并行化算法 | 第54-55页 |
| ·距离计算的映射 | 第54-55页 |
| ·计算最短距离 | 第55页 |
| ·基于在线学习的自适应扣件检测算法的并行化优化 | 第55-57页 |
| ·CPU-GPU异构系统 | 第55-56页 |
| ·基于多核心CPU的自适应扣件检测算法 | 第56-57页 |
| ·实验方法及结果分析 | 第57-60页 |
| ·开发与实验环境 | 第58页 |
| ·HoG特征及距离计算的优化实验 | 第58-59页 |
| ·基于在线学习的自适应扣件检测算法的优化实验 | 第59-60页 |
| ·小结 | 第60-62页 |
| 6 结论与展望 | 第62-64页 |
| ·结论 | 第62-63页 |
| ·展望 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 作者简历 | 第66-68页 |
| 学位论文数据集 | 第68页 |