| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 行人检测研究现状 | 第11-14页 |
| 1.4 本文主要研究内容 | 第14-15页 |
| 2 行人检测技术概述 | 第15-29页 |
| 2.1 行人检测技术介绍 | 第15页 |
| 2.2 行人检测算法概述 | 第15-17页 |
| 2.2.1 行人检测基本框架 | 第15-16页 |
| 2.2.2 行人检测数据集 | 第16-17页 |
| 2.3 特征提取 | 第17-25页 |
| 2.3.1 HOG特征提取方法 | 第17-21页 |
| 2.3.2 LBP特征提取方法 | 第21-22页 |
| 2.3.3 Haar-like特征提取方法 | 第22-25页 |
| 2.4 行人检测分类器 | 第25-29页 |
| 3 深度学习技术概述 | 第29-37页 |
| 3.1 深度学习技术介绍 | 第29页 |
| 3.2 深度学习算法概述 | 第29-31页 |
| 3.3 自动编码器 | 第31-32页 |
| 3.4 深度信念网络 | 第32-35页 |
| 3.5 卷积神经网络 | 第35-37页 |
| 4 基于深度学习的行人检测模型构建 | 第37-51页 |
| 4.1 建立检测模型 | 第37-39页 |
| 4.2 图像预处理 | 第39-42页 |
| 4.3 建立卷积与子采样层 | 第42-45页 |
| 4.4 形变处理 | 第45-47页 |
| 4.5 遮挡处理 | 第47-50页 |
| 4.6 分类处理 | 第50-51页 |
| 5 深度学习行人检测模型仿真实验 | 第51-61页 |
| 5.1 实验平台的运行环境的软硬件概述 | 第51-52页 |
| 5.1.1 Windows系统下深度学习theano环境搭建 | 第51-52页 |
| 5.1.2 Windows系统下caffe环境搭建 | 第52页 |
| 5.2 深度学习行人检测模型对比实验：基于Caltech数据库 | 第52-57页 |
| 5.2.1 本文模型与非深度学习模型对比实验 | 第54-55页 |
| 5.2.2 本文模型与其他深度学习模型对比实验 | 第55-57页 |
| 5.3 深度学习行人检测模型对比实验：基于ETH数据库 | 第57-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
