基于机器视觉与CNN的目标识别与定位
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 机器视觉研究现状 | 第10页 |
| 1.2.2 基于深度学习的目标检测研究现状 | 第10-12页 |
| 1.3 论文的主要内容及安排 | 第12-14页 |
| 1.3.1 主要研究内容 | 第12页 |
| 1.3.2 论文组织结构 | 第12-14页 |
| 第2章 相机标定算法研究 | 第14-24页 |
| 2.1 引言 | 第14页 |
| 2.2 基础理论 | 第14-22页 |
| 2.2.1 参考坐标系 | 第14-18页 |
| 2.2.2 基于棋盘格标靶的相机标定算法 | 第18页 |
| 2.2.3 棋盘格靶标识别 | 第18页 |
| 2.2.4 相机标定算法研究 | 第18-22页 |
| 2.3 双目相机标定以及特征点匹配算法 | 第22-24页 |
| 2.3.1 双目相机标定 | 第22页 |
| 2.3.2 基于极线约束的双目特征点匹配算法 | 第22-24页 |
| 第3章 目标检测基础理论研究 | 第24-36页 |
| 3.1 神经网络 | 第24-26页 |
| 3.1.1 神经元模型 | 第24页 |
| 3.1.2 激活函数 | 第24-26页 |
| 3.2 卷积神经网络 | 第26-29页 |
| 3.2.1 局部连接 | 第26-27页 |
| 3.2.2 权值共享 | 第27-28页 |
| 3.2.3 卷积 | 第28-29页 |
| 3.2.4 池化 | 第29页 |
| 3.3 区域检测提取 | 第29-31页 |
| 3.4 边界框回归 | 第31-32页 |
| 3.5 非极大值抑制 | 第32-33页 |
| 3.6 损失函数 | 第33-34页 |
| 3.7 训练理论 | 第34-35页 |
| 3.8 目标性能评估 | 第35-36页 |
| 第4章 改进SSD的端对端的目标检测算法 | 第36-49页 |
| 4.1 端对端目标检测 | 第36-38页 |
| 4.1.1 网络结构 | 第36-37页 |
| 4.1.2 SSD检测剖析 | 第37-38页 |
| 4.2 改进方法 | 第38-44页 |
| 4.2.1 深度可分离卷积 | 第39-40页 |
| 4.2.2 批量归一化 | 第40-41页 |
| 4.2.3 残差网络 | 第41-43页 |
| 4.2.4 网络结构 | 第43-44页 |
| 4.3 实验仿真 | 第44-48页 |
| 4.3.1 Caffe与数据集 | 第45页 |
| 4.3.2 训练过程 | 第45-46页 |
| 4.3.3 实验结果 | 第46-48页 |
| 4.4 结论与思考 | 第48-49页 |
| 第5章 目标检测系统的实现 | 第49-56页 |
| 5.1 三维重建 | 第49-51页 |
| 5.2 卷积神经网络训练 | 第51-56页 |
| 5.2.1 图片标注 | 第51-52页 |
| 5.2.2 训练及结果 | 第52-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的学术论文与研究成果 | 第63页 |
