深度學(xué)習與智慧交通

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)政策與研究進展
1．2 深度學(xué)習概述
1．3 交通領(lǐng)域中深度學(xué)習技術(shù)的應(yīng)用
2 基于RetinaNet的車牌識別系統(tǒng)
2．1 概述
2．1．1 車牌識別的意義
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)的字符識別
2．3．1 字符分類識別框架
2．3．2 字符特征提取網(wǎng)絡(luò)
2．4 數(shù)據(jù)集
2．5 車牌識別實戰(zhàn)
2．5．1 實驗環(huán)境配置
2．5．2 車牌定位檢測
2．5．3 車牌字符識別
2．5．4 整體功能測試
2．6 車牌識別應(yīng)用軟件設(shè)計
3 交通樞紐關(guān)鍵物體檢測
3．1 概述
3．1．1 交通樞紐物體檢測的意義
3．1．2 國內(nèi)外研究現(xiàn)狀
3．2 基于深度學(xué)習的交通樞紐關(guān)鍵物體檢測
3．2．1 YOLO算法介紹
3．2．2 基于YOLO v3的交通樞紐行人檢測
3．3 實驗與分析
3．3．1 實驗平臺與Darknet框架
3．3．2 數(shù)據(jù)集制作
3．3．3 評價指標選定
3．3．4 實驗結(jié)果分析
4 基于CSRNet算法的交通人群計數(shù)
4．1 人群計數(shù)概述
4．1．1 人群計數(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)和評價指標設(shè)置
4．3 基于CSRNet的交通人群計數(shù)
4．3．1 特征提取網(wǎng)絡(luò)
4．3．2 真實密度圖的生成
4．3．3 數(shù)據(jù)集
4．4 交通人群計數(shù)算法實戰(zhàn)
4．4．1 模型訓(xùn)練
4．4．2 模型測試
5 基于SSD交通標志檢測識別
5．1 交通標志檢測識別
5．1．1 交通標志檢測識別的意義
5．1．2 研究現(xiàn)狀分析
5．1．3 交通標志識別研究的關(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 錨點設(shè)置
5．2．3 損失函數(shù)
5．3 數(shù)據(jù)集
5．4 交通標志檢測識別實戰(zhàn)
5．4．1 實驗環(huán)境
5．4．2 交通標志檢測識別
6 交通樞紐關(guān)鍵目標跟蹤
6．1 目標跟蹤概述
6．1．1 目標跟蹤的意義
6．1．2 研究現(xiàn)狀
6．2 基于深度學(xué)習的目標跟蹤算法
6．2．1 基于孿生網(wǎng)絡(luò)的單目標跟蹤算法
6．2．2 基于SORT的多目標跟蹤算法
6．3 基于YOLO v5的Deep SORT的交通樞紐關(guān)鍵目標跟蹤
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