| 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 视频中车辆检测难点分析 | 第27-29页 |
| 2.4 本文研究动机与目标 | 第29-31页 |
| 第三章 本文涉及的关键算法 | 第31-40页 |
| 3.1 ViBe背景建模方法 | 第31-33页 |
| 3.1.1 ViBe算法介绍 | 第31-33页 |
| 3.1.2 选择ViBe算法的原因 | 第33页 |
| 3.2 Faster R-CNN目标检测算法 | 第33-39页 |
| 3.2.1 神经网络与卷积神经网络 | 第33-36页 |
| 3.2.2 Faster R-CNN算法介绍 | 第36-38页 |
| 3.2.3 选择Faster R-CNN的原因 | 第38-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第四章 融合ViBe算法和Faster R-CNN的视频中快速准确车辆检测算法 | 第40-60页 |
| 4.1 算法设计思路 | 第40-41页 |
| 4.2 算法总体框架 | 第41-44页 |
| 4.3 基于准确检测目标反馈的ViBe算法改进 | 第44-53页 |
| 4.3.1 对ViBe算法初始化策略的改进 | 第44-48页 |
| 4.3.2 对ViBe算法前景判断和模型更新策略的改进 | 第48-53页 |
| 4.4 针对视频中车辆检测对Faster R-CNN的改进 | 第53-59页 |
| 4.4.1 由先验知识对候选区域进行筛选 | 第53-55页 |
| 4.4.2 利用多层特征更准确地表达小目标 | 第55-56页 |
| 4.4.3 权值时域非极大值抑制算法 | 第56-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 实验与分析 | 第60-79页 |
| 5.1 实验环境与实验数据 | 第60-63页 |
| 5.1.1 实验环境 | 第60页 |
| 5.1.2 实验相关数据 | 第60-63页 |
| 5.2 系统和算法参数设置 | 第63-64页 |
| 5.2.1 ViBe部分 | 第63页 |
| 5.2.2 深度学习部分 | 第63-64页 |
| 5.2.3 后处理部分 | 第64页 |
| 5.3 实验结果对比与分析 | 第64-78页 |
| 5.3.1 评价标准 | 第64-65页 |
| 5.3.2 各种复杂交通状态结果对比与分析 | 第65-77页 |
| 5.3.3 算法速度对比与分析 | 第77-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第六章 总结与展望 | 第79-82页 |
| 6.1 本文主要研究工作总结 | 第79-80页 |
| 6.2 展望 | 第80-82页 |
| 参考文献 | 第82-87页 |
| 攻读硕士期间取得的研究成果 | 第87-88页 |
| 致谢 | 第88-89页 |
| 附件 | 第89页 |
