| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 行人检测难点 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 传统的行人检测方法研究现状 | 第10-12页 |
| 1.3.2 基于卷积神经网络的行人检测方法研究现状 | 第12-13页 |
| 1.4 本文主要工作和组织结构 | 第13-15页 |
| 第2章 行人检测相关技术概述 | 第15-26页 |
| 2.1 传统的行人检测算法 | 第15-18页 |
| 2.1.1 HOG 特征 | 第15-16页 |
| 2.1.2 SVM分类器 | 第16-18页 |
| 2.2 卷积神经网络 | 第18-21页 |
| 2.3 区域卷积神经网络与行人检测 | 第21-22页 |
| 2.4 行人检测公共数据库 | 第22-24页 |
| 2.5 行人检测算法评价标准 | 第24-26页 |
| 第3章 基于改进的区域候选网络的交通场景行人检测 | 第26-37页 |
| 3.1 引言 | 第26-27页 |
| 3.2 改进的区域候选网络结构 | 第27-31页 |
| 3.2.1 特征图生成子网络 | 第27-29页 |
| 3.2.2 检测子网络 | 第29-31页 |
| 3.3 损失函数及模型质量评价 | 第31-32页 |
| 3.4 实验结果及分析 | 第32-36页 |
| 3.4.1 Caltech行人数据集 | 第32页 |
| 3.4.2 实现细节 | 第32-33页 |
| 3.4.3 评价指标 | 第33页 |
| 3.4.4 行人检测实验 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于级联卷积神经网络的交通场景行人检测 | 第37-49页 |
| 4.1 引言 | 第37页 |
| 4.2 快速区域卷积神经网络 | 第37-39页 |
| 4.3 改进的快速区域卷积神经网络 | 第39-41页 |
| 4.4 级联卷积神经网络检测行人 | 第41页 |
| 4.5 在线难例挖掘 | 第41-42页 |
| 4.6 级联卷积神经网络模型的训练 | 第42-44页 |
| 4.6.1 训练数据集 | 第42页 |
| 4.6.2 训练数据处理 | 第42-43页 |
| 4.6.3 训练步骤与参数设置 | 第43-44页 |
| 4.7 实验结果与分析 | 第44-48页 |
| 4.7.1 实验环境 | 第44页 |
| 4.7.2 实验结果 | 第44-48页 |
| 4.8 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 本文主要工作及创新点 | 第49-50页 |
| 5.2 研究展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 硕士期间发表的学术论文和参与的科研项目 | 第55-56页 |
| 一、发表的学术论文 | 第55页 |
| 二、参与的科研项目 | 第55-56页 |
| 致谢 | 第56-57页 |