船舱复杂环境下人员检测技术的研究与实现
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 船舶复杂环境人员检测难点与特殊性 | 第15-16页 |
| 1.4 论文的内容安排 | 第16-17页 |
| 1.5 主要研究内容和创新点 | 第17-19页 |
| 第二章 目标及人员检测方法论述 | 第19-27页 |
| 2.1 传统目标及人员检测方法 | 第19-21页 |
| 2.1.1 基于HOG+SVM的人员检测 | 第20-21页 |
| 2.1.2 基于可变形部件模型的人员检测 | 第21页 |
| 2.2 基于深度学习的目标及人员检测方法 | 第21-27页 |
| 2.2.1 深度学习与卷积神经网络 | 第22-24页 |
| 2.2.2 基于候选区域的RCNN及其衍生算法 | 第24-26页 |
| 2.2.3 基于回归的YOLO算法 | 第26-27页 |
| 第三章 基于多组件可变形部件模型人员检测方法研究 | 第27-40页 |
| 3.1 特征提取与检测流程 | 第27-28页 |
| 3.2 参数权重与模型优化 | 第28-30页 |
| 3.3 NMS非极大值抑制优化 | 第30-32页 |
| 3.4 实验结果与分析 | 第32-35页 |
| 3.5 基于可形变部件模型的渔船安全监控系统 | 第35-39页 |
| 3.5.1 渔船安全监控系统需求分析 | 第35-37页 |
| 3.5.2 渔船安全监控系统系统设计 | 第37-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于深度卷积网络的YOLO人员检测 | 第40-53页 |
| 4.1 YOLO的检测方法综述 | 第40-41页 |
| 4.2 YOLO目标检测整体流程 | 第41-44页 |
| 4.3 YOLOv2模型改进及测试 | 第44-49页 |
| 4.3.1 数据集的选择与处理 | 第45-47页 |
| 4.3.2 模型选择及参数设定 | 第47-49页 |
| 4.3.3 训练结果 | 第49页 |
| 4.4 实验结果与可行性分析 | 第49-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.1.1 可形变部件模型方面 | 第53页 |
| 5.1.2 基于深度学习的YOLO算法方面 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录 攻读硕士学位期间科研成果 | 第59-60页 |
| 致谢 | 第60页 |
