| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 智能家居中行人检测的背景和意义 | 第10-11页 |
| 1.2 行人检测研究难点及研究现状 | 第11-13页 |
| 1.3 本文主要工作 | 第13页 |
| 1.4 论文组织架构 | 第13-16页 |
| 第2章 行人检测相关技术 | 第16-38页 |
| 2.1 图像处理基础 | 第16页 |
| 2.1.1 图像预处理 | 第16页 |
| 2.1.2 图像分割 | 第16页 |
| 2.2 传统的运动目标检测的方法 | 第16-24页 |
| 2.2.1 背景减去法 | 第17页 |
| 2.2.2 帧差法 | 第17-19页 |
| 2.2.3 基于背景建模的行人检测 | 第19-24页 |
| 2.3 基于HOG特征提取与SVM分类器的行人检测 | 第24-30页 |
| 2.3.1 提取图像的HOG特征 | 第25-27页 |
| 2.3.2 支持向量机SVM的分类器 | 第27-29页 |
| 2.3.3 基于HOG和SVM的行人检测过程和结果 | 第29-30页 |
| 2.4 深度学习基础 | 第30-38页 |
| 2.4.1 监督学习 | 第30-31页 |
| 2.4.2 神经网络 | 第31-33页 |
| 2.4.3 网络的反向传播 | 第33-34页 |
| 2.4.4 卷积神经网络 | 第34-38页 |
| 第3章 基于Faster R-CNN的智能家居的行人检测 | 第38-52页 |
| 3.1 基于深度学习的Faster R-CNN的基础 | 第39-45页 |
| 3.1.1 区域建议网络 | 第39-40页 |
| 3.1.2 平移不变的锚点 | 第40页 |
| 3.1.3 学习区域建议的损失函数 | 第40-41页 |
| 3.1.4 优化 | 第41-42页 |
| 3.1.5 区域建议和物体检测共享卷积特征 | 第42页 |
| 3.1.6 利用CUDA对非极大值抑制部分加速计算 | 第42-45页 |
| 3.2 行人检测网络训练 | 第45-47页 |
| 3.2.1 训练流程 | 第45-46页 |
| 3.2.2 具体的训练细节 | 第46-47页 |
| 3.3 智能家居中行人检测流程 | 第47-48页 |
| 3.4 检测结果与分析 | 第48-52页 |
| 第4章 智能家居中行人检测的系统设计 | 第52-62页 |
| 4.1 系统的整体架构 | 第52-53页 |
| 4.2 利用Socket将图片上传到服务器 | 第53-59页 |
| 4.2.1 Socket通信的基础知识 | 第53-56页 |
| 4.2.2 对数据加包头进行传输 | 第56-59页 |
| 4.3 利用个推将消息推送到手机 | 第59-60页 |
| 4.4 实验结果与分析 | 第60-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62页 |
| 5.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第70页 |
