| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-19页 |
| 1.2.1 基于机器视觉的移动机器人 | 第12-16页 |
| 1.2.2 基于视频序列的运动目标检测 | 第16-17页 |
| 1.2.3 基于静态图像的目标检测 | 第17页 |
| 1.2.4 目标分类的研究现状 | 第17-19页 |
| 1.3 研究内容与结构安排 | 第19-21页 |
| 第2章 场景目标检测和目标分类的关键技术 | 第21-32页 |
| 2.1 引言 | 第21页 |
| 2.2 场景目标检测的关键技术 | 第21-26页 |
| 2.2.1 基于GMM的运动目标检测 | 第21-23页 |
| 2.2.2 基于ACF的图像目标检测 | 第23-26页 |
| 2.3 基于CNN的目标分类识别技术 | 第26-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于GMM与CNN的运动目标分类 | 第32-47页 |
| 3.1 引言 | 第32页 |
| 3.2 运动目标检测 | 第32-36页 |
| 3.2.1 高斯混合模型检测前景目标 | 第32-33页 |
| 3.2.2 前景目标的处理及提取 | 第33-34页 |
| 3.2.3 提取前景目标的改进方案 | 第34-36页 |
| 3.3 基于卷积神经网络提取前景目标特征 | 第36-38页 |
| 3.3.1 提取到的前景目标特征 | 第36-37页 |
| 3.3.2 模型结构描述 | 第37-38页 |
| 3.4 Softmax分类器设计 | 第38-39页 |
| 3.5 训练过程及损失函数 | 第39页 |
| 3.6 实验分析 | 第39-46页 |
| 3.6.1 训练样本的归一化及扩展 | 第40页 |
| 3.6.2 测试过程 | 第40-42页 |
| 3.6.3 测试方案的改进 | 第42-43页 |
| 3.6.4 实验结果分析 | 第43-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第4章 基于ACF与CNN的图像目标检测 | 第47-59页 |
| 4.1 引言 | 第47页 |
| 4.2 图像目标检测 | 第47-50页 |
| 4.2.1 图像目标检测数据集 | 第47-48页 |
| 4.2.2 图像目标检测评估方式 | 第48-49页 |
| 4.2.3 ACF目标检测算法流程 | 第49-50页 |
| 4.3 基于卷积神经网络（CNN）的目标候选框二次筛选 | 第50-52页 |
| 4.3.1 本实验卷积神经网络结构 | 第51页 |
| 4.3.2 该实验卷积神经网络代价函数 | 第51-52页 |
| 4.3.3 目标候选框的二次判别 | 第52页 |
| 4.4 实验分析 | 第52-58页 |
| 4.4.1 ACF检测算法实验 | 第53-54页 |
| 4.4.2 卷积神经网络实验 | 第54-55页 |
| 4.4.3 实验结果分析 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 行人和车辆目标的混合行为分析及其在机器人上的应用 | 第59-70页 |
| 5.1 引言 | 第59-60页 |
| 5.2 基于多任务式学习卷积神经网络的候选框筛选 | 第60-62页 |
| 5.2.1 多任务式学习的卷积神经网络结构 | 第60-61页 |
| 5.2.2 基于多任务式学习的卷积神经网络代价函数 | 第61-62页 |
| 5.3 实验分析 | 第62-66页 |
| 5.3.1 整体算法框架 | 第62页 |
| 5.3.2 本实验卷积神经网络的训练过程 | 第62-64页 |
| 5.3.3 本实验卷积神经网络的测试过程 | 第64页 |
| 5.3.4 实验结果分析 | 第64-66页 |
| 5.4 应用实例分析 | 第66-69页 |
| 5.4.1 路况异常 | 第66-68页 |
| 5.4.2 校园安全检测 | 第68-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 本文工作总结 | 第70-71页 |
| 6.2 工作展望 | 第71-72页 |
| 参考文献 | 第72-79页 |
| 致谢 | 第79-80页 |
| 附录 | 第80页 |
