| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 引言 | 第7-14页 |
| 1.1 行人检测的背景及意义 | 第7-8页 |
| 1.1.1 问题定义 | 第7页 |
| 1.1.2 研究意义 | 第7-8页 |
| 1.2 行人检测的难点与研究现状 | 第8-12页 |
| 1.2.1 行人检测难点分析 | 第8-10页 |
| 1.2.2 行人检测研究现状 | 第10-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 行人检测关键技术概述 | 第14-28页 |
| 2.1 行人的特征表示 | 第15-18页 |
| 2.1.1 Haar-like特征 | 第15-16页 |
| 2.1.2 HOG特征 | 第16-18页 |
| 2.1.3 LBP特征 | 第18页 |
| 2.2 候选框选择策略 | 第18-19页 |
| 2.2.1 基于滑动窗口的候选框选择 | 第18-19页 |
| 2.2.2 基于选择性搜索的候选框选择 | 第19页 |
| 2.3 典型的分类算法 | 第19-23页 |
| 2.3.1 SVM分类算法 | 第20-21页 |
| 2.3.2 AdaBoost分类器 | 第21-23页 |
| 2.4 行人数据库及评估标准 | 第23-25页 |
| 2.4.1 行人数据库 | 第23-24页 |
| 2.4.2 行人检测的评估标准 | 第24-25页 |
| 2.5 深度学习发展历史 | 第25-28页 |
| 2.5.1 浅层学习 | 第26页 |
| 2.5.2 深度学习 | 第26-28页 |
| 第三章 基于深度学习的行人检测性能分析 | 第28-40页 |
| 3.1 网络模型 | 第28-32页 |
| 3.1.1 LeNet网络 | 第28-29页 |
| 3.1.2 AlexNet网络 | 第29-30页 |
| 3.1.3 VGGNet网络 | 第30-31页 |
| 3.1.4 GoogLeNet网络 | 第31-32页 |
| 3.2 算法框架 | 第32-35页 |
| 3.2.1 R-CNN | 第32页 |
| 3.2.2 SPP-NET | 第32-33页 |
| 3.2.3 Fast R-CNN | 第33-34页 |
| 3.2.4 Faster R-CNN | 第34-35页 |
| 3.3 实验配置及训练策略 | 第35-36页 |
| 3.4 实验过程与分析 | 第36-39页 |
| 3.4.1 不同网络结构的性能对比 | 第36页 |
| 3.4.2 不同网络结构的泛化能力对比 | 第36-37页 |
| 3.4.3 不同网络结构的学习能力对比 | 第37-39页 |
| 3.4.4 不同网络结构的收敛速度对比 | 第39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 融合多层网络特征的深度学习行人检测 | 第40-46页 |
| 4.1 特征的融合过程 | 第40-42页 |
| 4.1.1 融合特征的表示 | 第40-41页 |
| 4.1.2 不同的特征融合方式对检测性能的影响分析 | 第41-42页 |
| 4.2 融合不同网络层特征的行人检测 | 第42-44页 |
| 4.2.1 不同网络层的特征表示 | 第43页 |
| 4.2.2 ResNet网络模型 | 第43-44页 |
| 4.3 实验过程与分析 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 参考文献 | 第48-53页 |
| 致谢 | 第53-54页 |
| 个人简介及攻读硕士学位期间论文发表情况 | 第54页 |