| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文组织架构 | 第14-16页 |
| 第二章 行人检测相关技术 | 第16-26页 |
| 2.1 传统的运动行人检测的方法 | 第16-17页 |
| 2.1.1 背景差分法 | 第16页 |
| 2.1.2 帧间差分法 | 第16-17页 |
| 2.2 基于机器学习的 HOG 与 SVM 分类器的行人检测方法 | 第17-20页 |
| 2.2.1 HOG特征 | 第17-18页 |
| 2.2.2 SVM分类器 | 第18-19页 |
| 2.2.3 HOG+SVM 训练检测流程 | 第19-20页 |
| 2.3 卷积神经网络 | 第20-22页 |
| 2.4 two-stage 目标检测 | 第22-23页 |
| 2.4.1 RCNN | 第22页 |
| 2.4.2 Fast RCNN | 第22-23页 |
| 2.4.3 Faster RCNN | 第23页 |
| 2.5 one-stage 目标检测 | 第23-25页 |
| 2.5.1 YOLO | 第23-24页 |
| 2.5.2 SSD | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 改进的 YOLO-CRD 行人检测算法 | 第26-42页 |
| 3.1 改进算法概述 | 第26页 |
| 3.2 融合浅层视觉特征的残差网络 | 第26-31页 |
| 3.2.1 YOLO结构上对行人检测的缺陷 | 第26页 |
| 3.2.2 多层次行人特征的融合 | 第26-28页 |
| 3.2.3 改进的具有增强行人检测的残差网络 | 第28-31页 |
| 3.3 自适应行人尺度的多任务损失函数 | 第31-34页 |
| 3.3.1 YOLO损失函数对不同尺度行人检测的不足 | 第31页 |
| 3.3.2 行人尺度均衡化 | 第31-32页 |
| 3.3.3 改进的自适应行人尺度的多任务损失函数 | 第32-34页 |
| 3.4 针对行人不同姿态、尺度的图像数据增广 | 第34-37页 |
| 3.4.1 行人图像翻转 | 第35页 |
| 3.4.2 行人图像平移 | 第35-36页 |
| 3.4.3 行人图像旋转 | 第36页 |
| 3.4.4 行人图像尺度缩放 | 第36-37页 |
| 3.5 行人检测网络训练 | 第37-38页 |
| 3.6 实验结果与分析 | 第38-41页 |
| 3.7 本章小结 | 第41-42页 |
| 第四章 行人检测系统设计与实现 | 第42-48页 |
| 4.1 系统的整体架构 | 第42-43页 |
| 4.2 运行环境 | 第43-44页 |
| 4.2.1 OpenCV | 第43页 |
| 4.2.2 TensorFlow | 第43-44页 |
| 4.2.3 QT | 第44页 |
| 4.3 客户端实现 | 第44-46页 |
| 4.4 运用 YOLO-CRD 行人检测算法检测行人 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间的研究成果 | 第57页 |
