基于深度学习的目标检测算法研究及应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要内容及结构安排 | 第13-15页 |
| 第二章 相关基础知识 | 第15-37页 |
| 2.1 行人目标检测算法原理 | 第15-18页 |
| 2.1.1 基于模板匹配的检测算法 | 第15-16页 |
| 2.1.2 基于分类的行人检测算法 | 第16-18页 |
| 2.2 典型的人体特征 | 第18-24页 |
| 2.2.1 HAAR-LIKE特征 | 第18-19页 |
| 2.2.2 HOG特征 | 第19-21页 |
| 2.2.3 SIFT特征 | 第21-24页 |
| 2.3 典型分类器 | 第24-29页 |
| 2.3.1 支持向量机算法 | 第24-27页 |
| 2.3.2 ADABOOST算法 | 第27-29页 |
| 2.4 深度学习 | 第29-36页 |
| 2.4.1 深度学习概述 | 第29-30页 |
| 2.4.2 典型的深度学习结构 | 第30-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 基于融合特征的疑是行人窗口确认 | 第37-52页 |
| 3.1 提取融合特征 | 第37-43页 |
| 3.2 分类器训练 | 第43-47页 |
| 3.2.1 训练标准尺度级联分类器 | 第43-47页 |
| 3.2.2 快速构建邻近尺度分类器 | 第47页 |
| 3.3 滑动窗口检测 | 第47-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 基于卷积神经网络的行人检测 | 第52-62页 |
| 4.1 本文所使用的卷积神经网络拓扑结构 | 第52-53页 |
| 4.2 训练卷积神经网络 | 第53-58页 |
| 4.3 卷积神经网络的参数调节 | 第58-60页 |
| 4.4 行人目标检测过程 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 实验结果及性能分析 | 第62-69页 |
| 5.1 实验结果说明及对比 | 第62-68页 |
| 5.1.1 行人检测评价标准 | 第62-63页 |
| 5.1.2 实验过程 | 第63页 |
| 5.1.3 实验结果与分析 | 第63-67页 |
| 5.1.4 性能比较 | 第67-68页 |
| 5.2 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-70页 |
| 6.1 论文总结 | 第69页 |
| 6.2 进一步研究工作 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间取得的成果 | 第75-76页 |
