| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 论文选题意义 | 第13-14页 |
| 1.3 本文研究思路 | 第14页 |
| 1.4 本文的主要工作和章节安排 | 第14-16页 |
| 第二章 国内外相关技术研究现状 | 第16-31页 |
| 2.1 引言 | 第16页 |
| 2.2 交通视频中车辆检测技术研究现状 | 第16-27页 |
| 2.2.1 基于运动目标检测的车辆检测技术 | 第16-22页 |
| 2.2.2 基于深度学习的车辆检测技术 | 第22-26页 |
| 2.2.3 小结 | 第26-27页 |
| 2.3 交通视频中车辆跟踪技术研究现状 | 第27-28页 |
| 2.3.1 基于卡尔曼滤波的车辆跟踪算法 | 第27页 |
| 2.3.2 基于MeanShift的车辆跟踪算法 | 第27-28页 |
| 2.3.3 基于粒子滤波的车辆跟踪算法 | 第28页 |
| 2.3.4 将检测与跟踪联合的Tracking by Detection算法 | 第28页 |
| 2.4 视频中车辆检测与跟踪的难点分析 | 第28-30页 |
| 2.5 本文研究动机与目标 | 第30-31页 |
| 第三章 本文涉及的关键算法 | 第31-39页 |
| 3.1 KM算法 | 第31-32页 |
| 3.1.1 KM算法介绍 | 第31-32页 |
| 3.1.2 选择KM算法的原因 | 第32页 |
| 3.2 MS-CNN目标检测算法 | 第32-38页 |
| 3.2.1 神经网络与卷积神经网络 | 第32-35页 |
| 3.2.2 MS-CNN算法介绍 | 第35-37页 |
| 3.2.3 选择MS-CNN的原因 | 第37-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 融合KM算法和MS-CNN的车辆检测与跟踪算法 | 第39-47页 |
| 4.1 算法设计思路 | 第39页 |
| 4.2 算法总体框架 | 第39-40页 |
| 4.3 针对MS-CNN改进的检测模型 | 第40-41页 |
| 4.4 线性的Tracking by Detection跟踪算法 | 第41-42页 |
| 4.4.1 设计跟踪算法的原因 | 第41-42页 |
| 4.4.2 跟踪算法的过程 | 第42页 |
| 4.5 设计基于KM算法的匹配模型 | 第42-44页 |
| 4.6 设计追踪算法与检测算法融合的策略 | 第44-45页 |
| 4.6.1 检测目标和追踪目标匹配成功 | 第44-45页 |
| 4.6.2 检测目标存在且跟踪目标不在 | 第45页 |
| 4.6.3 检测目标不存在但跟踪目标存在 | 第45页 |
| 4.7 本章小节 | 第45-47页 |
| 第五章 实验与分析 | 第47-56页 |
| 5.1 实验环境与实验数据 | 第47-50页 |
| 5.1.1 实验环境 | 第47页 |
| 5.1.2 实验相关数据 | 第47-50页 |
| 5.2 系统和算法参数设置 | 第50-51页 |
| 5.2.1 匹配算法部分 | 第50页 |
| 5.2.2 移动模型部分 | 第50-51页 |
| 5.2.3 检测模型部分 | 第51页 |
| 5.3 实验结果对比与分析 | 第51-55页 |
| 5.3.1 评价标准 | 第51-53页 |
| 5.3.2 检测结果实验对比 | 第53-54页 |
| 5.3.3 算法效率对比与分析 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 本文主要研究工作总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士期间取得的研究成果 | 第61-62页 |
| 致谢 | 第62-63页 |
| 附件 | 第63页 |
