面向智能汽车的实时性车型识别研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题提出和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 国外智能汽车研究现状 | 第12-15页 |
| 1.2.2 国内智能汽车研究现状 | 第15-17页 |
| 1.2.3 车型识别研究现状 | 第17-18页 |
| 1.3 车型识别研究难点与本文内容安排 | 第18-21页 |
| 1.3.1 车型识别研究难点 | 第18-19页 |
| 1.3.2 本文内容安排 | 第19-21页 |
| 第2章 典型车型识别理论研究 | 第21-37页 |
| 2.1 车型识别系统概述 | 第21-22页 |
| 2.2 基于机器学习的车型识别算法 | 第22-29页 |
| 2.2.1 特征设计 | 第22-25页 |
| 2.2.2 分类器训练 | 第25-29页 |
| 2.3 基于深度学习的车型识别算法 | 第29-35页 |
| 2.3.1 深度学习概述 | 第29-32页 |
| 2.3.2 卷积神经网络 | 第32-35页 |
| 2.3.3 基于卷积神经网络的车型识别流程 | 第35页 |
| 2.4 本章小结 | 第35-37页 |
| 第3章 基于卷积神经网络的车型识别模型建立 | 第37-57页 |
| 3.1 卷积神经网络模型演变 | 第37-40页 |
| 3.1.1 卷积核形式的演变 | 第37-39页 |
| 3.1.2 卷积连接方式的演变 | 第39-40页 |
| 3.2 卷积神经网络模型设计 | 第40-49页 |
| 3.2.1 基础网络模型设计 | 第40-43页 |
| 3.2.2 多层特征融合策略 | 第43-45页 |
| 3.2.3 稠密网络连接方式 | 第45-46页 |
| 3.2.4 多任务损失函数 | 第46-49页 |
| 3.3 车型检测算法结果分析 | 第49-56页 |
| 3.3.1 车型检测算法实现流程 | 第49-50页 |
| 3.3.2 车型数据库构建 | 第50-54页 |
| 3.3.3 模型对比实验及分析 | 第54-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第4章 车型识别模型的压缩与加速算法研究 | 第57-71页 |
| 4.1 引言 | 第57-58页 |
| 4.2 模型压缩与加速算法 | 第58-62页 |
| 4.2.1 参数修剪与共享 | 第58-60页 |
| 4.2.2 二值化网络模型 | 第60-62页 |
| 4.3 基于YOLO模型的实时性车型识别 | 第62-64页 |
| 4.4 基于轻量级网络模型的车型识别 | 第64-69页 |
| 4.4.1 深度可分离卷积 | 第64-67页 |
| 4.4.2 分组卷积与通道重组 | 第67-69页 |
| 4.5 本章小结 | 第69-71页 |
| 第5章 车型识别算法实验验证与分析 | 第71-83页 |
| 5.1 实验平台搭建 | 第71-73页 |
| 5.1.1 DrivePX2计算平台 | 第71-72页 |
| 5.1.2 软件环境特性介绍 | 第72-73页 |
| 5.2 相机标定原理 | 第73-76页 |
| 5.3 模型加速算法对比实验及分析 | 第76-82页 |
| 5.3.1 车型识别模型准确性实验 | 第77-79页 |
| 5.3.2 车型识别模型鲁棒性实验 | 第79-81页 |
| 5.3.3 车型识别模型实时性分析 | 第81-82页 |
| 5.3.4 实验结果分析 | 第82页 |
| 5.4 本章小结 | 第82-83页 |
| 第6章 总结与展望 | 第83-85页 |
| 6.1 工作总结 | 第83页 |
| 6.2 工作展望 | 第83-85页 |
| 参考文献 | 第85-91页 |
| 致谢 | 第91页 |
