| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景与研究意义 | 第8-9页 |
| 1.2 行人检测难点与研究现状 | 第9-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.4 论文结构安排 | 第12-14页 |
| 第二章 行人检测算法综述 | 第14-30页 |
| 2.1 行人检测框架 | 第14-15页 |
| 2.2 基于手工设计的特征 | 第15-20页 |
| 2.2.1 HOG特征 | 第15-16页 |
| 2.2.2 Haar-like特征 | 第16-18页 |
| 2.2.3 LBP特征 | 第18-19页 |
| 2.2.4 积分通道特征 | 第19-20页 |
| 2.3 基于学习的特征 | 第20-25页 |
| 2.3.1 卷积神经网络 | 第20-23页 |
| 2.3.2 深度网络模型 | 第23-25页 |
| 2.4 分类器 | 第25-27页 |
| 2.4.1 Adaboost分类器 | 第25-26页 |
| 2.4.2 RealAdaboost分类器 | 第26-27页 |
| 2.5 行人数据集和评估标准 | 第27-29页 |
| 2.5.1 行人数据集 | 第27-28页 |
| 2.5.2 行人检测评估标准 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 基于卷积通道与颜色自相似特征的行人检测 | 第30-40页 |
| 3.1 基于卷积通道与颜色自相似特征的行人检测原理 | 第30-33页 |
| 3.1.1 LDCF行人检测算法框架 | 第30-31页 |
| 3.1.2 卷积通道特征原理 | 第31-33页 |
| 3.1.3 改进的颜色自相似特征 | 第33页 |
| 3.2 算法实现步骤 | 第33-35页 |
| 3.3 实验结果与分析 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于数据扩充的快速多尺度行人检测 | 第40-50页 |
| 4.1 基于数据扩充的快速多尺度行人检测原理 | 第40-43页 |
| 4.1.1 改进的数据扩充方法 | 第40-41页 |
| 4.1.2 快速多尺度特征金字塔模型 | 第41-42页 |
| 4.1.3 软级联Adaboost分类器 | 第42-43页 |
| 4.1.4 参数优化策略 | 第43页 |
| 4.2 算法实现步骤 | 第43-44页 |
| 4.3 实验结果与分析 | 第44-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 基于深度卷积神经网络的行人检测 | 第50-64页 |
| 5.1 基于深度卷积神经网络的行人检测原理 | 第50-55页 |
| 5.1.1 VGG-16网络结构简析 | 第50-51页 |
| 5.1.2 微调卷积神经网络模型 | 第51-52页 |
| 5.1.3 优化模型训练与实验分析 | 第52-54页 |
| 5.1.4 基于回归模型的判别算法 | 第54-55页 |
| 5.2 算法实现步骤 | 第55-56页 |
| 5.3 实验结果与分析 | 第56-61页 |
| 5.4 本文算法性能评价 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 主要结论与展望 | 第64-66页 |
| 主要结论 | 第64页 |
| 展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第70页 |