| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 行人检测的挑战 | 第15-16页 |
| 1.4 本文研究内容及章节安排 | 第16-19页 |
| 第二章 相关工作基础 | 第19-35页 |
| 2.1 面向行人检测传统手工特征设计 | 第19-23页 |
| 2.1.1 Haar特征 | 第19-21页 |
| 2.1.2 方向梯度直方图 | 第21-22页 |
| 2.1.3 局部二值模式 | 第22-23页 |
| 2.2 基于特征的机器学习方法 | 第23-27页 |
| 2.2.1 支持向量机 | 第24-26页 |
| 2.2.2 AdaBoost算法 | 第26-27页 |
| 2.3 深度神经网络简介及特征提取 | 第27-34页 |
| 2.3.1 人工神经网络 | 第27-28页 |
| 2.3.2 前向传播算法 | 第28-29页 |
| 2.3.3 反向传播算法 | 第29-30页 |
| 2.3.4 卷积神经网络 | 第30-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于多层卷积特征的真实场景下的行人检测研究 | 第35-48页 |
| 3.1 SSD网络 | 第35-38页 |
| 3.2 多层卷积特征的行人检测算法 | 第38-41页 |
| 3.3 数据集扩增 | 第41-42页 |
| 3.4 实验结果与分析 | 第42-47页 |
| 3.4.1 性能评价指标 | 第42-43页 |
| 3.4.2 实验环境与模型对比 | 第43-45页 |
| 3.4.3 与现有流行算法性能对比 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 融合语义分割的聚合通道特征行人检测算法 | 第48-61页 |
| 4.1 基于聚合特征的行人检测算法 | 第48-51页 |
| 4.1.1 ACF行人检测框架 | 第48-49页 |
| 4.1.2 快速特征图像金字塔算法 | 第49-51页 |
| 4.1.3 聚合通道特征 | 第51页 |
| 4.2 融合语义分割和聚合特征的行人检测算法 | 第51-56页 |
| 4.2.1 语义分割DeepLabV2 | 第51-53页 |
| 4.2.2 带孔卷积 | 第53-54页 |
| 4.2.3 多孔金字塔池化 | 第54-55页 |
| 4.2.4 融合DeepLabV2的ACF行人检测算法 | 第55-56页 |
| 4.3 实验与分析 | 第56-60页 |
| 4.3.1 ACF行人检测结果分析 | 第57页 |
| 4.3.2 DeepLabV2行人分割结果分析 | 第57-59页 |
| 4.3.3 融合DeepLabV2的ACF检测结果分析 | 第59-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 附录A (攻读硕士学位期间发表和录用的学术论文) | 第68-69页 |
| 附录B (攻读硕士期间所主持的科研项目) | 第69页 |
