| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 VJ级联检测法 | 第11页 |
| 1.2.2 HOG特征法 | 第11-12页 |
| 1.2.3 DPM法 | 第12页 |
| 1.2.4 人工神经网络法 | 第12-14页 |
| 1.3 存在的主要问题 | 第14-15页 |
| 1.4 本文主要工作及章节安排 | 第15-17页 |
| 第二章 卷积神经网络概述 | 第17-30页 |
| 2.1 卷积神经网络 | 第17-19页 |
| 2.1.1 局部感知 | 第17-18页 |
| 2.1.2 权值共享 | 第18-19页 |
| 2.1.3 池化采样 | 第19页 |
| 2.2 特征提取模型 | 第19-23页 |
| 2.2.1 AlexNet模型 | 第19-20页 |
| 2.2.2 VGG模型 | 第20-22页 |
| 2.2.3 GoogLeNet模型 | 第22-23页 |
| 2.3 目标检测模型 | 第23-29页 |
| 2.3.1 R-CNN模型 | 第24-25页 |
| 2.3.2 Faster R-CNN模型 | 第25-27页 |
| 2.3.3 YOLO模型 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于深度网络的行人检测方法 | 第30-42页 |
| 3.1 基于卷积神经网络的行人检测方法 | 第30-32页 |
| 3.1.1 基于R-CNN的行人检测 | 第30-31页 |
| 3.1.2 基于Faster R-CNN的行人检测 | 第31-32页 |
| 3.2 行人特征提取模型 | 第32-37页 |
| 3.2.1 行人检测对特征提取的要求 | 第33-34页 |
| 3.2.2 Inception思想 | 第34-35页 |
| 3.2.3 改进的特征提取模型 | 第35-37页 |
| 3.3 一种改进的行人检测模型 | 第37-41页 |
| 3.3.1 模型设计 | 第37-39页 |
| 3.3.2 训练方法 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 实验与分析 | 第42-49页 |
| 4.1 实验准备 | 第42-44页 |
| 4.1.1 行人数据库的选取 | 第42-43页 |
| 4.1.2 实验环境准备 | 第43-44页 |
| 4.2 训练步骤 | 第44-45页 |
| 4.2.1 基础模型的预训练 | 第44页 |
| 4.2.2 行人检测模型的训练 | 第44-45页 |
| 4.3 结果分析 | 第45-48页 |
| 4.3.1 改进特征提取模型的实验效果 | 第45-46页 |
| 4.3.2 改进深度行人检测方法的实验效果 | 第46-47页 |
| 4.3.3 不同候选框对实验结果的影响 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 总结和展望 | 第49-52页 |
| 5.1 主要工作及创新 | 第49-50页 |
| 5.2 未来工作展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-57页 |
| 致谢 | 第57页 |