面向车载的行人安全判别技术
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.3 研究思路及研究内容 | 第14-16页 |
| 1.3.1 研究思路 | 第14-15页 |
| 1.3.2 研究内容 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第2章 基于多源融合的行人候选区域获取 | 第17-33页 |
| 2.1 多传感器融合系统构建 | 第17-20页 |
| 2.1.1 传感器融合模型确定 | 第18-19页 |
| 2.1.2 多传感器硬件系统集成 | 第19-20页 |
| 2.2 多传感器数据融合 | 第20-26页 |
| 2.2.1 雷达数据预处理 | 第20-23页 |
| 2.2.2 雷达数据与视频数据融合 | 第23-26页 |
| 2.3 行人候选区域获取 | 第26-30页 |
| 2.3.1 行人候选区域分析 | 第26-27页 |
| 2.3.2 深度信息与行人候选区域关系模型 | 第27-30页 |
| 2.4 本章小结 | 第30-33页 |
| 第3章 深度学习方法研究 | 第33-43页 |
| 3.1 深度学习的定义及性质 | 第33-34页 |
| 3.2 卷积神经网络结构分析 | 第34-40页 |
| 3.2.1 卷积运算 | 第34-37页 |
| 3.2.2 池化 | 第37-39页 |
| 3.2.3 卷积神经网络计算推导 | 第39-40页 |
| 3.3 卷积神经网络的典型应用 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第4章 基于深度学习的行人检测技术 | 第43-59页 |
| 4.1 经典行人检测算法 | 第43-45页 |
| 4.1.1 HOG + SVM模型 | 第43-44页 |
| 4.1.2 DPM + Latent SVM模型 | 第44-45页 |
| 4.1.3 BING + SVM模型 | 第45页 |
| 4.2 行人识别模型的构建 | 第45-48页 |
| 4.2.1 前端处理 | 第46-47页 |
| 4.2.2 深度学习模型的构建 | 第47-48页 |
| 4.3 基于NMS的行人定位 | 第48-52页 |
| 4.3.1 NMS算法简介 | 第48-49页 |
| 4.3.2 3临域的非极大值抑制算法 | 第49-52页 |
| 4.4 实验结果与分析 | 第52-57页 |
| 4.4.1 实验数据集 | 第52-54页 |
| 4.4.2 实验结果分析 | 第54-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第5章 行人车辆冲突的分析与预测 | 第59-67页 |
| 5.1 行人车辆冲突分析 | 第59-62页 |
| 5.1.1 考虑行人运动方向的随机性 | 第60页 |
| 5.1.2 考虑行人运动速度的随机性 | 第60-62页 |
| 5.2 行人车辆冲突模型构建 | 第62-63页 |
| 5.3 行人安全状态判别 | 第63-66页 |
| 5.3.1 主动潜在冲突可能 | 第64-65页 |
| 5.3.2 被动潜在冲突可能 | 第65-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 论文总结 | 第67-68页 |
| 6.2 研究展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
