面向服务机器人的行人检测方法研究及实现
| 中文摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题背景与意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 本文研究内容与结构 | 第16-18页 |
| 第2章 传统的行人检测方法 | 第18-27页 |
| 2.1 传统的目标检测方法 | 第18页 |
| 2.2 行人特征提取 | 第18-20页 |
| 2.2.1 单一特征 | 第19页 |
| 2.2.2 融合特征 | 第19-20页 |
| 2.3 分类器介绍 | 第20-22页 |
| 2.3.1 支持向量机 | 第20-22页 |
| 2.3.2 Boosting算法 | 第22页 |
| 2.4 行人检测数据集及评价标准 | 第22-26页 |
| 2.4.1 行人检测数据集 | 第22-23页 |
| 2.4.2 行人检测评价指标 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于深度学习的行人检测 | 第27-38页 |
| 3.1 人工神经网络 | 第27-31页 |
| 3.1.1 神经网络的发展 | 第27-28页 |
| 3.1.2 反向传播算法 | 第28-30页 |
| 3.1.3 卷积神经网络 | 第30-31页 |
| 3.2 基于深度学习的目标检测算法 | 第31-36页 |
| 3.2.1 目标检测区域选择策略 | 第31-35页 |
| 3.2.2 神经网络模型优化策略 | 第35-36页 |
| 3.3 实验结果 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 NAO机器人行人检测系统 | 第38-45页 |
| 4.1 NAO机器人行人检测系统构成 | 第38-41页 |
| 4.1.1 NAO机器人平台 | 第38-40页 |
| 4.1.2 信息处理平台 | 第40-41页 |
| 4.2 NAO机器人行人检测系统工作流程 | 第41-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第5章 NAO机器人行人检测系统实验研究 | 第45-63页 |
| 5.1 开发环境介绍 | 第45-46页 |
| 5.1.1 深度学习框架TensoFlow | 第45页 |
| 5.1.2 开源计算机视觉库OpenCV | 第45-46页 |
| 5.2 NAO机器人图像处理 | 第46-49页 |
| 5.2.1 机器人图像获取 | 第46页 |
| 5.2.2 颜色空间转换 | 第46-49页 |
| 5.3 基于特征融合和深度学习的行人检测实验 | 第49-58页 |
| 5.3.1 样本集构造 | 第49-50页 |
| 5.3.2 基于特征融合的行人检测 | 第50-56页 |
| 5.3.3 基于特征融合和深度学习的行人检测 | 第56-58页 |
| 5.4 NAO机器人行人检测实验 | 第58-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 学位论文评阅及答辩情况表 | 第71页 |
