●1 緒論
1.1 智慧交通概述
1.1.1 基本概念
1.1.2 體繫結構
1.1.3 相關政策與研究進展
1.2 深度學習概述
1.3 交通領域中深度學習技術的應用
2 基於RetinaNet的車牌識別繫統
2.1 概述
2.1.1 車牌識別的意義
2.1.2 研究現狀分析
2.2 RetinaNet
2.2.1 RetinaNet的特征提取網絡
2.2.2 錨點設置
2.2.3 Focal loss損失函數
2.3 基於卷積神經網絡的字符識別
2.3.1 字符分類識別框架
2.3.2 字符特征提取網絡
2.4 數據集
2.5 車牌識別實戰
2.5.1 實驗環境配置
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 車牌識別應用軟件設計
3 交通樞紐關鍵物體檢測
3.1 概述
3.1.1 交通樞紐物體檢測的意義
3.1.2 國內外研究現狀
3.2 基於深度學習的交通樞紐關鍵物體檢測
3.2.1 YOLO算法介紹
3.2.2 基於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 數據集制作
3.3.3 評價指標選定
3.3.4 實驗結果分析
4 基於CSRNet算法的交通人群計數
4.1 人群計數概述
4.1.1 人群計數的意義
4.1.2 國內外研究現狀
4.2 CSRNet算法
4.2.1 特征提取網絡
4.2.2 損失函數和評價指標設置
4.3 基於CSRNet的交通人群計數
4.3.1 特征提取網絡
4.3.2 真實密度圖的生成
4.3.3 數據集
4.4 交通人群計數算法實戰
4.4.1 模型訓練
4.4.2 模型測試
5 基於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 研究現狀分析
5.1.3 交通標志識別研究的關鍵技術
5.2 SSD算法
5.2.1 SSD網絡結構
5.2.2 錨點設置
5.2.3 損失函數
5.3 數據集
5.4 交通標志檢測識別實戰
5.4.1 實驗環境
5.4.2 交通標志檢測識別
6 交通樞紐關鍵目標跟蹤
6.1 目標跟蹤概述
6.1.1 目標跟蹤的意義
6.1.2 研究現狀
6.2 基於深度學習的目標跟蹤算法
6.2.1 基於孿生網絡的單目標跟蹤算法
6.2.2 基於SORT的多目標跟蹤算法
6.3 基於YOLO v5的Deep SORT的交通樞紐關鍵目標跟蹤
6.3.1 YOLO v5模型的訓練
6.3.2 Re-ID模型的訓練
6.3.3 基於YOLO v5的Deep SORT模型的運行演示
6.3.4 跟蹤結果
7 總結與展望
7.1 總結
7.2 展望
參考文獻