深度學(xué)習(xí)與智慧交通

1 緒論
1．1 智慧交通概述
1．1．1 基本概念
1．1．2 體系結(jié)構(gòu)
1．1．3 相關(guān)政策與研究進(jìn)展
1．2 深度學(xué)習(xí)概述
1．3 交通領(lǐng)域中深度學(xué)習(xí)技術(shù)的應(yīng)用
2 基于RetinaNet的車牌識(shí)別系統(tǒng)
2．1 概述
2．1．1 車牌識(shí)別的意義
2．1．2 研究現(xiàn)狀分析
2．2 RetinaNet
2．2．1 RetinaNet的特征提取網(wǎng)絡(luò)
2．2．2 錨點(diǎn)設(shè)置
2．2．3 Focal loss損失函數(shù)
2．3 基于卷積神經(jīng)網(wǎng)絡(luò)的字符識(shí)別
2．3．1 字符分類識(shí)別框架
2．3．2 字符特征提取網(wǎng)絡(luò)
2．4 數(shù)據(jù)集
2．5 車牌識(shí)別實(shí)戰(zhàn)
2．5．1 實(shí)驗(yàn)環(huán)境配置
2．5．2 車牌定位檢測(cè)
2．5．3 車牌字符識(shí)別
2．5．4 整體功能測(cè)試
2．6 車牌識(shí)別應(yīng)用軟件設(shè)計(jì)
3 交通樞紐關(guān)鍵物體檢測(cè)
3．1 概述
3．1．1 交通樞紐物體檢測(cè)的意義
3．1．2 國內(nèi)外研究現(xiàn)狀
3．2 基于深度學(xué)習(xí)的交通樞紐關(guān)鍵物體檢測(cè)
3．2．1 YOLO算法介紹
3．2．2 基于YOLO v3的交通樞紐行人檢測(cè)
3．3 實(shí)驗(yàn)與分析
3．3．1 實(shí)驗(yàn)平臺(tái)與Darknet框架
3．3．2 數(shù)據(jù)集制作
3．3．3 評(píng)價(jià)指標(biāo)選定
3．3．4 實(shí)驗(yàn)結(jié)果分析
4 基于CSRNet算法的交通人群計(jì)數(shù)
4．1 人群計(jì)數(shù)概述
4．1．1 人群計(jì)數(shù)的意義
4．1．2 國內(nèi)外研究現(xiàn)狀
4．2 CSRNet算法
4．2．1 特征提取網(wǎng)絡(luò)
4．2．2 損失函數(shù)和評(píng)價(jià)指標(biāo)設(shè)置
4．3 基于CSRNet的交通人群計(jì)數(shù)
4．3．1 特征提取網(wǎng)絡(luò)
4．3．2 真實(shí)密度圖的生成
4．3．3 數(shù)據(jù)集
4．4 交通人群計(jì)數(shù)算法實(shí)戰(zhàn)
4．4．1 模型訓(xùn)練
4．4．2 模型測(cè)試
5 基于SSD交通標(biāo)志檢測(cè)識(shí)別
5．1 交通標(biāo)志檢測(cè)識(shí)別
5．1．1 交通標(biāo)志檢測(cè)識(shí)別的意義
5．1．2 研究現(xiàn)狀分析
5．1．3 交通標(biāo)志識(shí)別研究的關(guān)鍵技術(shù)
5．2 SSD算法
5．2．1 SSD網(wǎng)絡(luò)結(jié)構(gòu)
5．2．2 錨點(diǎn)設(shè)置
5．2．3 損失函數(shù)
5．3 數(shù)據(jù)集
5．4 交通標(biāo)志檢測(cè)識(shí)別實(shí)戰(zhàn)
5．4．1 實(shí)驗(yàn)環(huán)境
5．4．2 交通標(biāo)志檢測(cè)識(shí)別
6 交通樞紐關(guān)鍵目標(biāo)跟蹤
6．1 目標(biāo)跟蹤概述
6．1．1 目標(biāo)跟蹤的意義
6．1．2 研究現(xiàn)狀
6．2 基于深度學(xué)習(xí)的目標(biāo)跟蹤算法
6．2．1 基于孿生網(wǎng)絡(luò)的單目標(biāo)跟蹤算法
6．2．2 基于SORT的多目標(biāo)跟蹤算法
6．3 基于YOLO v5的Deep SORT的交通樞紐關(guān)鍵目標(biāo)跟蹤
6．3．1 YOLO v5模型的訓(xùn)練
6．3．2 Re-ID模型的訓(xùn)練
6．3．3 基于YOLO v5的Deep SORT模型的運(yùn)行演示
6．3．4 跟蹤結(jié)果
7 總結(jié)與展望
7．1 總結(jié)
7．2 展望
參考文獻(xiàn)