基于不确定理论与机器学习的行人检测
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 国内外行人检测研究现状 | 第9-13页 |
| 1.2.1 国外发展现状 | 第11-12页 |
| 1.2.2 国内发展现状 | 第12-13页 |
| 1.2.3 行人检测所面临的挑战 | 第13页 |
| 1.3 本文的主要内容和工作安排 | 第13-15页 |
| 第二章 基于证据理论的行人检测 | 第15-32页 |
| 2.1 不确定性理论方法 | 第15-17页 |
| 2.2 证据理论的基本知识 | 第17-19页 |
| 2.3 运动目标轨迹跟踪 | 第19-24页 |
| 2.4 特征提取 | 第24-29页 |
| 2.4.1 形状特征 | 第25-26页 |
| 2.4.2 运动特征 | 第26-29页 |
| 2.5 行人检测模型的性能分析 | 第29-31页 |
| 2.5.1 基本可信度赋值 | 第29-30页 |
| 2.5.2 检测算法 | 第30-31页 |
| 2.5.3 仿真实验 | 第31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 基于BP神经网络的行人预测 | 第32-39页 |
| 3.1 机器学习方法 | 第32-35页 |
| 3.2 BP神经网络的基本知识 | 第35-37页 |
| 3.2.1 基本思想 | 第35-36页 |
| 3.2.2 训练步骤 | 第36-37页 |
| 3.3 行人检测模型的性能分析 | 第37-38页 |
| 3.3.1 网络模型确立 | 第37-38页 |
| 3.3.2 确定网络的输入输出方式 | 第38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于深度学习的行人检测 | 第39-46页 |
| 4.1 深度学习的基本知识 | 第39-41页 |
| 4.1.1 什么是深度学习 | 第39页 |
| 4.1.2 深度学习的常用方法 | 第39-41页 |
| 4.2 行人检测模型的性能分析 | 第41-45页 |
| 4.2.1 稀疏编码 | 第42-43页 |
| 4.2.2 SVM分类器 | 第43-45页 |
| 4.3 本章小结 | 第45-46页 |
| 第五章 实验结果及分析 | 第46-52页 |
| 5.1 鲁棒性实验 | 第46页 |
| 5.2 不同的行人数据集实验 | 第46-49页 |
| 5.3 不同交通场景的在线实验 | 第49-50页 |
| 5.4 数据集与在线实验的对比 | 第50页 |
| 5.5 本章小结 | 第50-52页 |
| 结论与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间取得的研究成果 | 第58-59页 |
| 致谢 | 第59页 |
