基于卷积神经网络的监控视频车型识别系统设计与实现
| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题的研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 车型识别研究现状 | 第12-13页 |
| 1.2.2 监控视频车型识别研究现状 | 第13-14页 |
| 1.2.3 基于卷积神经网络的发展与研究现状 | 第14-15页 |
| 1.3 研究内容和论文结构 | 第15-17页 |
| 第2章 相关理论及关键技术概述 | 第17-30页 |
| 2.1 OpenCV图形库介绍 | 第17-19页 |
| 2.1.1 OpenCV图形库简介 | 第17-18页 |
| 2.1.2 OpenCV功能模块 | 第18-19页 |
| 2.1.3 OpenCV图像库应用 | 第19页 |
| 2.2 Caffe框架介绍 | 第19-20页 |
| 2.3 卷积神经网络介绍 | 第20-27页 |
| 2.3.1 卷积神经网络概述 | 第20-23页 |
| 2.3.2 卷积神经网络重要特性 | 第23-24页 |
| 2.3.3 卷积神经网络模型 | 第24-27页 |
| 2.4 分布式系统Celery介绍 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 车型识别系统设计与实现 | 第30-70页 |
| 3.1 系统功能 | 第30-31页 |
| 3.2 系统总体架构 | 第31-35页 |
| 3.2.1 系统架构设计 | 第31-33页 |
| 3.2.2 系统功能模块划分 | 第33-35页 |
| 3.3 系统功能模块设计 | 第35-39页 |
| 3.3.1 系统业务流程设计 | 第35-38页 |
| 3.3.2 系统数据存储设计 | 第38-39页 |
| 3.4 系统软件运行环境搭建 | 第39-41页 |
| 3.4.1 Caffe深度学习框架搭建 | 第39-40页 |
| 3.4.2 Celery分布式系统搭建 | 第40-41页 |
| 3.5 单节点车型识别详细设计与实现 | 第41-62页 |
| 3.5.1 视频背景提取 | 第41-44页 |
| 3.5.2 运动物体检测 | 第44-53页 |
| 3.5.3 车辆跟踪 | 第53-55页 |
| 3.5.4 车辆类型识别 | 第55-62页 |
| 3.6 多路段视频车型识别详细设计与实现 | 第62-66页 |
| 3.7 数据统计模块设计与实现 | 第66-69页 |
| 3.8 本章小结 | 第69-70页 |
| 第4章 车型识别系统实验与测试 | 第70-82页 |
| 4.1 测试环境 | 第70-71页 |
| 4.1.1 硬件系统运行环境 | 第70-71页 |
| 4.1.2 软件系统运行环境 | 第71页 |
| 4.2 系统实验与测试 | 第71-81页 |
| 4.2.1 车型识别模型实验测试 | 第71-73页 |
| 4.2.2 卷积神经网络模型对比 | 第73-79页 |
| 4.2.3 系统功能测试 | 第79-80页 |
| 4.2.4 系统性能测试 | 第80-81页 |
| 4.3 本章小结 | 第81-82页 |
| 总结与展望 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-87页 |
