| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 行人检测问题难点 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.4 主要工作 | 第16-17页 |
| 1.5 本文组织结构 | 第17-20页 |
| 第2章 基于组合SVM的行人检测方法 | 第20-31页 |
| 2.1 结合HOG特征与SVM的行人检测方法 | 第20-24页 |
| 2.1.1 HOG基本原理 | 第20-22页 |
| 2.1.2 SVM基本原理 | 第22-23页 |
| 2.1.3 NMS基本原理 | 第23-24页 |
| 2.2 性能评价标准 | 第24-26页 |
| 2.3 基于组合SVM的行人检测方法 | 第26-27页 |
| 2.4 实验与分析 | 第27-28页 |
| 2.5 本章小结 | 第28-31页 |
| 第3章 基于SVM-LENET融合模型的行人检测方法 | 第31-50页 |
| 3.1 LUV特征和HOG特征的融合方法 | 第31-34页 |
| 3.1.1 RGB到LUV颜色空间转换方法 | 第31-33页 |
| 3.1.2 LUV特征提取 | 第33-34页 |
| 3.2 分类器设计 | 第34-42页 |
| 3.2.1 卷积神经网络基本原理 | 第35-39页 |
| 3.2.2 卷积神经网络训练方法 | 第39-41页 |
| 3.2.3 基于SVM-LeNet的行人检测网络结构设计 | 第41-42页 |
| 3.3 NMS算法改进 | 第42-46页 |
| 3.4 实验与分析 | 第46-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第4章 基于DEBLUR-DPDCNN的行人检测方法 | 第50-63页 |
| 4.1 图像画质增强方法 | 第50-52页 |
| 4.2 候选区域提取方法 | 第52-55页 |
| 4.3 网络模型结构设计 | 第55-58页 |
| 4.4 实验与分析 | 第58-60页 |
| 4.5 本章小结 | 第60-63页 |
| 第5章 总结与展望 | 第63-67页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-67页 |
| 参考文献 | 第67-75页 |
| 攻读硕士期间已发表的论文 | 第75-77页 |
| 致谢 | 第77页 |
