| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 骑车人检测的技术难点 | 第14-16页 |
| 1.4 本文的主要研究内容 | 第16页 |
| 1.5 论文章节安排 | 第16-19页 |
| 第二章 基于DPM的骑车人检测 | 第19-31页 |
| 2.1 引言 | 第19页 |
| 2.2 基于DPM的骑车人检测算法 | 第19-25页 |
| 2.2.1 传统HOG特征提取流程 | 第20-21页 |
| 2.2.2 改进后的HOG特征提取流程 | 第21-22页 |
| 2.2.3 骑车人的DPM模型 | 第22-23页 |
| 2.2.4 骑车人的DPM检测流程 | 第23-25页 |
| 2.3 实验结果分析 | 第25-29页 |
| 2.3.1 TDCB数据集简介 | 第25页 |
| 2.3.2 DPM检测结果 | 第25-27页 |
| 2.3.3 DPM检测结果评估与分析 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于深度学习的骑车人检测 | 第31-51页 |
| 3.1 引言 | 第31页 |
| 3.2 YOLO算法 | 第31-39页 |
| 3.2.1 YOLOv1 | 第32-34页 |
| 3.2.2 YOLOv2 | 第34-37页 |
| 3.2.3 YOLOv3 | 第37-39页 |
| 3.3 SSD算法 | 第39-43页 |
| 3.3.1 SSD网络模型 | 第39-40页 |
| 3.3.2 先验框的生成 | 第40-41页 |
| 3.3.3 训练样本处理 | 第41-42页 |
| 3.3.4 损失函数 | 第42-43页 |
| 3.4 网络的训练流程 | 第43-44页 |
| 3.5 实验结果与分析 | 第44-49页 |
| 3.5.1 YOLOv3检测结果 | 第44-46页 |
| 3.5.2 SSD检测结果 | 第46-48页 |
| 3.5.3 检测结果评估与分析 | 第48-49页 |
| 3.6 本章小结 | 第49-51页 |
| 第四章 基于SSD-FPN的骑车人检测 | 第51-61页 |
| 4.1 引言 | 第51页 |
| 4.2 SSD-FPN网络 | 第51-53页 |
| 4.2.1 特征金字塔网络(FPN) | 第51-52页 |
| 4.2.2 SSD-FPN网络模型 | 第52-53页 |
| 4.3 Focal Loss损失函数 | 第53-55页 |
| 4.4 实验结果与分析 | 第55-58页 |
| 4.4.1 SSD-FPN检测结果 | 第55-56页 |
| 4.4.2 SSD-FPN检测结果评估与分析 | 第56-57页 |
| 4.4.3 Focal Loss的检测结果 | 第57页 |
| 4.4.4 Focal Loss的检测结果评估和分析 | 第57-58页 |
| 4.5 本章小结 | 第58-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 本文工作总结 | 第61-62页 |
| 5.2 未来研究展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 攻读学位期间参与项目与成果 | 第69-70页 |
| 学位论文评阅及答辩情况表 | 第70页 |