基于卷积神经网络的车辆检测算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-20页 |
| 1.1 研究背景和研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 车辆检测 | 第14-18页 |
| 1.3.1 本文研究目标和难点分析 | 第14-15页 |
| 1.3.2 数据集介绍 | 第15-17页 |
| 1.3.3 性能指标 | 第17-18页 |
| 1.4 论文主要工作 | 第18-20页 |
| 1.4.1 本文主要研究工作 | 第18-19页 |
| 1.4.2 本文章节安排 | 第19-20页 |
| 2 基于卷积神经网络的车辆检测 | 第20-37页 |
| 2.1 现有算法分析 | 第20页 |
| 2.2 神经网络与卷积神经网络 | 第20-27页 |
| 2.2.1 神经网络 | 第21-23页 |
| 2.2.2 卷积神经网络 | 第23-27页 |
| 2.3 基于Faster RCNN的车辆检测 | 第27-31页 |
| 2.3.1 Faster RCNN | 第27-29页 |
| 2.3.2 Faster RCNN应用于车辆检测 | 第29-30页 |
| 2.3.3 实验结果及分析 | 第30-31页 |
| 2.4 基于多层特征融合的车辆检测 | 第31-34页 |
| 2.4.1 基于HyperNet的车辆检测 | 第31-33页 |
| 2.4.2 基于ION的车辆检测 | 第33-34页 |
| 2.5 现有算法检测结果分析 | 第34-35页 |
| 2.6 小结 | 第35-37页 |
| 3 基于二阶卷积特征融合的车辆检测 | 第37-55页 |
| 3.1 特征融合策略 | 第37-43页 |
| 3.1.1 基础网络及感兴趣区域提取 | 第37-38页 |
| 3.1.2 特征区域提取 | 第38-39页 |
| 3.1.3 卷积特征融合 | 第39-40页 |
| 3.1.4 分类和边界框回归 | 第40-41页 |
| 3.1.5 算法训练及参数选择 | 第41-43页 |
| 3.2 高阶特征引入 | 第43-48页 |
| 3.2.1 二阶响应变换 | 第43-44页 |
| 3.2.2 二阶卷积特征融合 | 第44-46页 |
| 3.2.3 算法训练及实验结果分析 | 第46-48页 |
| 3.3 基于时间上下文的感兴趣区域提取 | 第48-54页 |
| 3.3.1 基于时间上下文的参考框提取 | 第48-49页 |
| 3.3.2 基于水平边缘的参考框提取 | 第49-52页 |
| 3.3.3 参考框的分类和回归 | 第52页 |
| 3.3.4 算法训练及实验结果分析 | 第52-54页 |
| 3.4 本章小结 | 第54-55页 |
| 4 实验结果及分析 | 第55-66页 |
| 4.1 基于卷积神经网络的检测算法的性能对比 | 第55-57页 |
| 4.2 不同行车场景下的实验结果与分析 | 第57-65页 |
| 4.2.1 晴天天气下的实验结果及分析 | 第57-59页 |
| 4.2.2 阴天天气下的实验结果及分析 | 第59-61页 |
| 4.2.3 雨天天气下的实验结果及分析 | 第61-65页 |
| 4.3 本章小结 | 第65-66页 |
| 5 结论 | 第66-68页 |
| 5.1 全文工作总结 | 第66页 |
| 5.2 未来工作展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 索引 | 第72-74页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第74-76页 |
| 学位论文数据集 | 第76页 |
