| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 基于可见光图像的行人检测研究现状 | 第12-14页 |
| 1.2.2 基于可见光图像的行人分割研究现状 | 第14-15页 |
| 1.2.3 基于可见光和红外图像的行人检测与分割研究现状 | 第15-16页 |
| 1.3 行人检测与分割难点 | 第16-17页 |
| 1.4 论文的主要内容 | 第17页 |
| 1.5 论文的结构 | 第17-19页 |
| 2 基于深度学习的多光谱行人检测算法研究 | 第19-40页 |
| 2.1 深度学习开发平台介绍 | 第19页 |
| 2.2 常用行人检测数据库的介绍 | 第19-20页 |
| 2.3 行人检测基础网络框架的选择 | 第20-24页 |
| 2.3.1 基于R-CNN的目标检测框架 | 第21页 |
| 2.3.2 基于Fast R-CNN的目标检测框架 | 第21-22页 |
| 2.3.3 基于Faster R-CNN的目标检测框架 | 第22-23页 |
| 2.3.4 基于SSD的目标检测框架 | 第23页 |
| 2.3.5 多种行人检测框架的比较 | 第23-24页 |
| 2.4 多光谱行人目标检测方法 | 第24-29页 |
| 2.4.1 像素级融合方法 | 第25-27页 |
| 2.4.2 前端融合网络结构 | 第27页 |
| 2.4.3 后端融合网络结构 | 第27-28页 |
| 2.4.4 多种融合方式的结合 | 第28-29页 |
| 2.5 实验结果及分析 | 第29-39页 |
| 2.5.1 实验一: 多光谱信息的重要性测试 | 第29-31页 |
| 2.5.2 实验二: SSD网络参数的选择 | 第31-33页 |
| 2.5.3 实验三: 多光谱行人检测方法测试 | 第33-39页 |
| 2.6 本章小结 | 第39-40页 |
| 3 基于深度学习的多光谱行人分割算法研究 | 第40-50页 |
| 3.1 行人分割基础网络框架的选择 | 第40-43页 |
| 3.1.1 基于全卷积网络的目标分割框架 | 第40-41页 |
| 3.1.2 基于SDS的目标分割框架 | 第41页 |
| 3.1.3 基于Mask R-CNN的目标分割框架 | 第41-42页 |
| 3.1.4 基于PSPNet的目标分割框架 | 第42-43页 |
| 3.1.5 多种目标分割网络框架的比较 | 第43页 |
| 3.2 多光谱行人分割数据库的建立 | 第43-44页 |
| 3.3 多光谱行人目标分割方法 | 第44-46页 |
| 3.3.1 前端融合结构分割 | 第44-45页 |
| 3.3.2 后端融合结构分割 | 第45-46页 |
| 3.4 实验结果及分析 | 第46-49页 |
| 3.5 本章小结 | 第49-50页 |
| 4 总结与展望 | 第50-52页 |
| 4.1 本文工作总结 | 第50页 |
| 4.2 后续工作展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第56-58页 |
| 学位论文数据集 | 第58页 |
