基于深度学习的行人及骑车人车载图像识别方法
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 引言 | 第14-35页 |
| 1.1 概述 | 第14-17页 |
| 1.2 目标识别相关研究现状 | 第17-32页 |
| 1.2.1 目标候选区域选择方法 | 第17-22页 |
| 1.2.2 目标分类方法 | 第22-29页 |
| 1.2.3 多目标跟踪方法 | 第29-31页 |
| 1.2.4 目标识别数据库 | 第31-32页 |
| 1.3 本文研究内容 | 第32-35页 |
| 第2章 总体架构设计与关键技术 | 第35-39页 |
| 2.1 总体架构设计 | 第35-37页 |
| 2.2 关键技术研究 | 第37-39页 |
| 第3章 行人及骑车人多示例目标候选区域选择方法 | 第39-70页 |
| 3.1 共有显著性区域检测 | 第39-49页 |
| 3.1.1 共有显著性区域的定义 | 第39-42页 |
| 3.1.2 共有显著性区域的检测 | 第42-48页 |
| 3.1.3 检测结果的回归优化 | 第48-49页 |
| 3.2 多示例目标候选区域生成 | 第49-58页 |
| 3.2.1 多示例目标候选区域的定义 | 第49-52页 |
| 3.2.2 多示例目标候选区域的设计 | 第52-58页 |
| 3.3 基于几何约束的目标候选区域筛选 | 第58-60页 |
| 3.4 性能验证与分析 | 第60-68页 |
| 3.4.1 性能评价方法 | 第60-62页 |
| 3.4.2 结果与分析 | 第62-68页 |
| 3.5 本章小结 | 第68-70页 |
| 第4章 基于深度神经网络的行人及骑车人检测方法 | 第70-97页 |
| 4.1 目标检测框架与基础网络设计 | 第70-75页 |
| 4.1.1 目标检测框架 | 第70-74页 |
| 4.1.2 基础网络设计 | 第74-75页 |
| 4.2 适用于行人及骑车人检测的网络结构设计 | 第75-89页 |
| 4.2.1 考虑难例提取的网络结构设计 | 第75-79页 |
| 4.2.2 考虑多层特征融合的网络结构设计 | 第79-82页 |
| 4.2.3 候选区域选择网络的设计 | 第82-86页 |
| 4.2.4 总体网络结构的设计 | 第86-89页 |
| 4.3 网络训练与结果分析 | 第89-96页 |
| 4.3.1 网络训练 | 第89-90页 |
| 4.3.2 结果分析 | 第90-96页 |
| 4.4 本章小结 | 第96-97页 |
| 第5章 具有目标在线自学习功能的多目标跟踪方法 | 第97-119页 |
| 5.1 多目标跟踪方法的结构与流程 | 第97-100页 |
| 5.2 在线学习与在线检测模型 | 第100-109页 |
| 5.2.1 基于P-N专家的在线学习框架 | 第100-104页 |
| 5.2.2 在线检测模型 | 第104-109页 |
| 5.3 基于粒子滤波的多目标跟踪 | 第109-114页 |
| 5.3.1 粒子滤波与运动模型 | 第109-111页 |
| 5.3.2 目标关联匹配 | 第111-112页 |
| 5.3.3 状态观测模型 | 第112-113页 |
| 5.3.4 目标生命周期管理 | 第113-114页 |
| 5.4 性能验证与分析 | 第114-118页 |
| 5.4.1 性能评价方法 | 第114-115页 |
| 5.4.2 结果与分析 | 第115-118页 |
| 5.5 本章小结 | 第118-119页 |
| 第6章 行人及骑车人识别数据库的建立与实验验证 | 第119-137页 |
| 6.1 行人及骑车人识别数据库的建立 | 第119-127页 |
| 6.1.1 车辆平台与数据采集 | 第119-122页 |
| 6.1.2 数据库标记 | 第122-124页 |
| 6.1.3 数据库信息统计与划分 | 第124-127页 |
| 6.2 实验结果与分析 | 第127-135页 |
| 6.2.1 目标候选区域选择结果 | 第127-130页 |
| 6.2.2 目标检测结果 | 第130-134页 |
| 6.2.3 目标跟踪结果 | 第134-135页 |
| 6.2.4 运行时间 | 第135页 |
| 6.3 本章小结 | 第135-137页 |
| 第7章 结论 | 第137-140页 |
| 参考文献 | 第140-151页 |
| 致谢 | 第151-153页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第153-154页 |
