| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第9-15页 |
| 1.1 选题意义及应用背景 | 第9-10页 |
| 1.2 国内外发展及研究动态 | 第10-14页 |
| 1.2.1 行人检测 | 第10-12页 |
| 1.2.2 迁移学习 | 第12-14页 |
| 1.3 本文章节安排 | 第14-15页 |
| 2 基于迁移学习的行人检测模型 | 第15-23页 |
| 2.1 迁移学习概述 | 第15-17页 |
| 2.1.1 迁移学习相关概念和定义 | 第15页 |
| 2.1.2 迁移学习的研究问题 | 第15-16页 |
| 2.1.3 迁移学习方法分类 | 第16-17页 |
| 2.2 基于迁移学习的行人检测模型 | 第17-22页 |
| 2.2.1 现有的基于迁移学习的行人检测模型 | 第17-18页 |
| 2.2.2 待解决问题 | 第18-19页 |
| 2.2.3 基于迁移学习的行人检测模型 | 第19-22页 |
| 2.3 本章小结 | 第22-23页 |
| 3 基于确定的正负样本的样本选择策略研究 | 第23-37页 |
| 3.1 基于直接添加样本的样本选择策略 | 第24-29页 |
| 3.1.1 基于添加正负样本的样本选择策略 | 第24-27页 |
| 3.1.2 基于添加不同Score的正样本的样本选择策略 | 第27-29页 |
| 3.1.3 基于添加不同分辨率正样本的选择策略 | 第29页 |
| 3.2 基于原始分类器样本筛选的样本选择策略 | 第29-35页 |
| 3.2.1 基于直接添加样本的选择策略在训练集中的性能衡量 | 第30-31页 |
| 3.2.2 基于样本筛选的样本选择策略 | 第31-33页 |
| 3.2.3 基于分组训练的样本选择策略 | 第33-35页 |
| 3.3 本章小结 | 第35-37页 |
| 4 迁移学习下基于人尺寸模型的样本筛选算法 | 第37-48页 |
| 4.1 行人尺寸模型 | 第37-42页 |
| 4.1.1 摄像头水平放置的尺寸模型 | 第38-39页 |
| 4.1.2 一般化模型 | 第39-40页 |
| 4.1.3 尺寸模型——横坐标与宽度 | 第40-42页 |
| 4.2 模型验证 | 第42-47页 |
| 4.2.1 真实数据的模型验证 | 第42-44页 |
| 4.2.2 检测结果的模型验证 | 第44-47页 |
| 4.3 本章小结 | 第47-48页 |
| 5 迁移学习下基于运动检测的样本筛选算法 | 第48-59页 |
| 5.1 运动检测算法 | 第48-51页 |
| 5.1.1 帧间差分法 | 第48-49页 |
| 5.1.2 光流法 | 第49-51页 |
| 5.2 光流众数法 | 第51-58页 |
| 5.2.1 方法介绍 | 第51-54页 |
| 5.2.2 实验结果 | 第54-58页 |
| 5.3 本章小结 | 第58-59页 |
| 6 结论 | 第59-61页 |
| 6.1 主要结论 | 第59页 |
| 6.2 研究展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66页 |