| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 课题背景及研究意义 | 第15-18页 |
| 1.2 立体匹配算法与行人检测算法的发展现状 | 第18-20页 |
| 1.3 本论文的主要工作和章节安排 | 第20-23页 |
| 第二章 立体匹配与行人检测算法的相关理论 | 第23-39页 |
| 2.1 立体匹配算法 | 第23-29页 |
| 2.1.1 相似度比较方法 | 第23-24页 |
| 2.1.2 置信度传播算法 | 第24-25页 |
| 2.1.3 半全局匹配算法 | 第25-29页 |
| 2.2 行人检测算法 | 第29-37页 |
| 2.2.1 基于HOG的行人检测算法 | 第29-30页 |
| 2.2.2 卷积神经网络 | 第30-31页 |
| 2.2.3 目标检测网络Faster RCNN | 第31页 |
| 2.2.4 目标检测网络Fast-YOLO | 第31-37页 |
| 2.3 小结 | 第37-39页 |
| 第三章 基于SLIC超像素分割的半全局匹配算法 | 第39-59页 |
| 3.1 半全局匹配算法的局限性 | 第39-41页 |
| 3.2 基于SLIC超像素分割的半全局匹配算法 | 第41-48页 |
| 3.2.1 均值滤波预处理 | 第42-44页 |
| 3.2.2 SLIC超像素分割与代价值聚合 | 第44-48页 |
| 3.3 实验结果与分析 | 第48-57页 |
| 3.3.1 实验相关准备 | 第48页 |
| 3.3.2 实验结果与分析 | 第48-57页 |
| 3.3.3 算法耗时分析 | 第57页 |
| 3.4 小结 | 第57-59页 |
| 第四章 基于Fast-YOLO的行人检测网络 | 第59-75页 |
| 4.1 目标检测网络Fast-YOLO在行人检测领域的局限性 | 第59-61页 |
| 4.2 基于Fast-YOLO的行人检测网络 | 第61-67页 |
| 4.2.1 网络结构 | 第61-63页 |
| 4.2.2 测试阶段 | 第63-66页 |
| 4.2.3 训练阶段 | 第66-67页 |
| 4.3 实验结果与分析 | 第67-73页 |
| 4.3.1 实验相关准备 | 第67-69页 |
| 4.3.2 实验结果与分析 | 第69-73页 |
| 4.3.3 算法耗时分析 | 第73页 |
| 4.4 小结 | 第73-75页 |
| 第五章 基于双目图像的行人检测定位系统 | 第75-81页 |
| 5.1 系统设计 | 第75-78页 |
| 5.1.1 并行优化 | 第75-77页 |
| 5.1.2 三维重投影 | 第77页 |
| 5.1.3 三维显示系统 | 第77-78页 |
| 5.2 实验结果与分析 | 第78-80页 |
| 5.3 小结 | 第80-81页 |
| 第六章 总结和展望 | 第81-83页 |
| 6.1 总结 | 第81页 |
| 6.2 展望 | 第81-83页 |
| 参考文献 | 第83-85页 |
| 致谢 | 第85-87页 |
| 作者简介 | 第87-89页 |