HOG融合特征及DL在行人检测算法中的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国内研究现状 | 第11-12页 |
| 1.2.2 国外研究现状 | 第12-13页 |
| 1.3 目标分类难点 | 第13-14页 |
| 1.4 本文主要内容及章节安排 | 第14-16页 |
| 1.4.1 本文主要研究内容 | 第14-15页 |
| 1.4.2 本文章节安排 | 第15-16页 |
| 第2章 行人检测及深度学习的相关基础知识 | 第16-31页 |
| 2.1 特征检测子 | 第16-24页 |
| 2.1.1 HAAR-LIKE特征 | 第16-18页 |
| 2.1.2 HOG特征 | 第18-20页 |
| 2.1.3 SIFT特征 | 第20-23页 |
| 2.1.4 LBP特征 | 第23-24页 |
| 2.2 经典分类器 | 第24-28页 |
| 2.2.1 支持向量机 | 第25-27页 |
| 2.2.2 ADABOOST | 第27-28页 |
| 2.3 深度学习 | 第28-30页 |
| 2.3.1 深度学习基本思想 | 第28-29页 |
| 2.3.2 深度学习常用模型 | 第29-30页 |
| 2.3.2.1 自动编码器 | 第29页 |
| 2.3.2.2 稀疏编码 | 第29页 |
| 2.3.2.3 限制玻尔兹曼机 | 第29-30页 |
| 2.3.2.4 卷积神经网络 | 第30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 融合特征下的行人检测算法 | 第31-42页 |
| 3.1 引言 | 第31页 |
| 3.2 算法框架 | 第31-32页 |
| 3.3 小波LBP-HOG特征算法提取 | 第32-37页 |
| 3.3.1 小波分解 | 第32-34页 |
| 3.3.1.1 小波变换 | 第32页 |
| 3.3.1.2 MALLAT算法 | 第32-34页 |
| 3.3.2 小波LBP算法 | 第34-35页 |
| 3.3.3 总特征结合 | 第35-37页 |
| 3.3.3.1 PCA算法 | 第35-36页 |
| 3.3.3.2 SVM训练 | 第36-37页 |
| 3.3.3.3 滑动窗口检测 | 第37页 |
| 3.4 算法性能分析 | 第37-41页 |
| 3.4.1 算法评价 | 第37-38页 |
| 3.4.2 常用数据集 | 第38-39页 |
| 3.4.3 实验结果与分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于区域预选神经网络的行人检测算法 | 第42-59页 |
| 4.1 引言 | 第42页 |
| 4.2 卷积神经网络 | 第42-48页 |
| 4.2.1 神经网络 | 第42-43页 |
| 4.2.2 反向传播算法 | 第43-45页 |
| 4.2.2.1 反向传播基本思想 | 第43页 |
| 4.2.2.2 BP训练过程 | 第43-45页 |
| 4.2.3 卷积神经网络 | 第45页 |
| 4.2.3.1 局部感受野 | 第45页 |
| 4.2.3.2 权值共享 | 第45页 |
| 4.2.3.3 池化 | 第45页 |
| 4.2.4 SOFTMAX分类模型 | 第45-48页 |
| 4.3 区域预选网络的生成 | 第48-52页 |
| 4.3.1 区域预选网络框架 | 第48-50页 |
| 4.3.2 损失函数 | 第50-51页 |
| 4.3.3 训练区域建议 | 第51页 |
| 4.3.4 非极大值抑制 | 第51-52页 |
| 4.4 实验结果分析 | 第52-58页 |
| 4.4.1 实验分析 | 第53-55页 |
| 4.4.2 效果展示 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 附录 | 第67页 |
