目录
摘 要 Ⅰ
ABSTRACT Ⅱ
第一章 文献综述 1
1 研究背景及意义 1
2 研究现状 2
2.1 目标检测发展历程2
2.2 车辆检测研究现状3
第二章 目标检测相关概论 5
1 传统目标检测 5
1.1 区域选取 5
1.2 特征提取 5
1.3 分类器分类 7
2 卷积神经网络 7
2.1 卷积层 8
2.2 池化层 9
2. 3全连接层 10
3 深度学习目标检测 11
3.1 TwoStage目标检测算法 11
3.2 OneStage目标检测算法 12
第三章 车辆目标检测算法研究 13
1 Faster RCNN算法 13
1.1 Conv layers特征提取 14
1.2 RPN区域建议网络 14
1.3 目标分类和位置回归 16
2 HOG+SVM算法 16
2.1 提取HOG特征 17
2.1 SVM分类器 18
3 两种算法地对比 19
第四章 基于Faster RCNN算法车辆检测实现 21
1实验准备工作 21
1.1 Tensorflow框架介绍 21
1.2 环境配置 21
2 数据集地制作和训练 21
2.1数据集介绍 21
2.2 数据集制作与训练 22
3 Faster RCNN代码实现 23
4 实验结果总结分析 25
4.1检测图像对比 25
4.2检测精度评价 26
第五章 结论与展望 29
参考文献 30
致 谢 32
基于FasterRCNN的车辆目标检测研究
摘 要
当下，城市交通问题日益严重，道路拥挤堵塞，交通事故频发等问题给社会带来了极大的不便与损失。因此建立一 *51今日免费论文网|www.51jrft.com +Q: ^351916072^ 
套完善的智能交通系统，引进现代化的人工智能技术，是目前乃至未来汽车工业不可避免的趋势。智能交通的应用可以有效减少道路交通事故的发生，挽救更多生命，同时也能够减少交通堵塞，节约时间。其中应用计算机视觉技术进行车辆检测的研究是当前智能交通的研究热点。随着目前深度学习技术核心的发展，对目标检测系统的技术要求也在不断地提高，恰好卷积神经网络有着良好的处理图像数据的功能，目前基于深度学习的车辆检测方法大多都使用了卷积神经网络进行图像特征的提取，相比传统的目标检测方法有着运行速度快，准确性高的优势。
本文将在传统的车辆目标检测和基于深度学习的车辆目标检测的经典算法中各选择一项，即HOG+SVM方法和FasterRCNN的算法，从理论方面对这两种算法进行对比和分析，最终选择FasterRCNN算法用来实现车辆检测的实验。本文采取了VOC2007 + VOC2012数据集作为训练样本，搭建了TensorFlow为前端，Keras为后端的深度学习框架，在搭建好的环境中进行Faster RCNN算法的检测实现。

原文链接：http://www.jxszl.com/jtgc/jjtys/610110.html