面向交通视频的车辆检测技术研究
| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景和研究现状 | 第10-17页 |
| 1.1.1 智能交通现状和发展 | 第10-11页 |
| 1.1.2 无人驾驶汽车现状和发展 | 第11-12页 |
| 1.1.3 目标检测识别中的主要问题和技术 | 第12-16页 |
| 1.1.4 深度学习与稀疏编码研究现状 | 第16-17页 |
| 1.2 课题主要内容 | 第17-18页 |
| 1.3 论文组织结构 | 第18-20页 |
| 第二章 基于传统不变性特征的车辆检测技术研究 | 第20-36页 |
| 2.1 运动目标提取 | 第20-22页 |
| 2.1.1 帧差分运动目标提取 | 第20-21页 |
| 2.1.2 混合高斯模型运动目标提取 | 第21-22页 |
| 2.2 基于颜色直方图的车辆匹配 | 第22-23页 |
| 2.2.1 RGB颜色直方图 | 第22页 |
| 2.2.2 HSV颜色直方图 | 第22-23页 |
| 2.3 基于SIFT的车辆匹配 | 第23-25页 |
| 2.4 基于HOG的车辆识别 | 第25-29页 |
| 2.4.1 HOG算子介绍 | 第25-26页 |
| 2.4.2 SVM分类器 | 第26-29页 |
| 2.5 实验结果对比及分析 | 第29-34页 |
| 2.5.1 实验环境和实验数据 | 第29-30页 |
| 2.5.2 运动检测实验结果 | 第30-32页 |
| 2.5.3 特定目标检测实验结果 | 第32-33页 |
| 2.5.4 HOG分类实验结果 | 第33-34页 |
| 2.6 本章小结 | 第34-36页 |
| 第三章 稀疏编码特征与稀疏字典训练技术研究 | 第36-48页 |
| 3.1 稀疏编码介绍 | 第36-37页 |
| 3.1.1 稀疏编码概念 | 第36-37页 |
| 3.1.2 稀疏编码模型 | 第37页 |
| 3.2 L2范数稀疏编码学习训练 | 第37-38页 |
| 3.3 L1范数稀疏编码学习训练 | 第38-40页 |
| 3.3.1 L1范数稀疏编码模型 | 第38-39页 |
| 3.3.2 L1范数稀疏编码求解 | 第39-40页 |
| 3.4 一种改进的L1稀疏编码字典训练方法 | 第40-42页 |
| 3.5 实验分析 | 第42-46页 |
| 3.5.1 实验环境 | 第42页 |
| 3.5.2 实验数据 | 第42-43页 |
| 3.5.3 实验结果对比 | 第43-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第四章 面向目标识别的层次稀疏编码网络研究 | 第48-60页 |
| 4.1 基于浅层稀疏编码网络特征的分类 | 第48-51页 |
| 4.1.1 流程 | 第48-49页 |
| 4.1.2 数据预处理 | 第49-50页 |
| 4.1.3 空间池化 | 第50-51页 |
| 4.2 提取中层特征的层次稀疏编码网络 | 第51-54页 |
| 4.2.1 模型概述 | 第51-52页 |
| 4.2.2 模型求解 | 第52-54页 |
| 4.3 实验结果对比及分析 | 第54-59页 |
| 4.3.1 实验环境 | 第54页 |
| 4.3.2 实验数据 | 第54-56页 |
| 4.3.3 浅层稀疏编码网络车辆分类结果 | 第56-57页 |
| 4.3.4 中层稀疏编码网络实验结果 | 第57-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 主要研究成果 | 第60页 |
| 5.2 未来工作展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 作者在学期间取得的学术成果 | 第68页 |
