基于深度学习的行人检测方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 行人检测难点和国内外研究 | 第10-13页 |
| 1.2.1 行人检测难点 | 第10页 |
| 1.2.2 国内外研究现状 | 第10-13页 |
| 1.3 本文研究内容与结构安排 | 第13-15页 |
| 1.3.1 本文研究内容 | 第13页 |
| 1.3.2 本文章节安排 | 第13-15页 |
| 第2章 基于传统算法的行人检测 | 第15-27页 |
| 2.1 滑动窗口法 | 第15-16页 |
| 2.2 特征的提取 | 第16-20页 |
| 2.3 分类算法 | 第20-21页 |
| 2.4 常用的行人数据集 | 第21-22页 |
| 2.5 行人检测评价标准 | 第22-23页 |
| 2.6 基于HOG+SVM的行人检测 | 第23-25页 |
| 2.7 本章小结 | 第25-27页 |
| 第3章 深度学习技术研究 | 第27-39页 |
| 3.1 人工神经网络 | 第28-31页 |
| 3.1.1 神经元结构 | 第28页 |
| 3.1.2 神经网络模型及其原理 | 第28-31页 |
| 3.2 CNNS卷积神经网络基础理论 | 第31-35页 |
| 3.2.1 卷积神经网络的特性 | 第32页 |
| 3.2.2 卷积网络模型介绍 | 第32-35页 |
| 3.3 深度学习框架介绍 | 第35-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 基于深度学习的行人检测 | 第39-53页 |
| 4.1 行人检测算法的设计 | 第39-46页 |
| 4.1.1 行人检测框架 | 第39-41页 |
| 4.1.2 网络结构设计 | 第41-46页 |
| 4.2 行人数据库的建立 | 第46-47页 |
| 4.3 网络训练 | 第47-48页 |
| 4.4 实验结果及分析 | 第48-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 本文总结 | 第53页 |
| 5.2 不足与展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |
