基于特征融合的行人检测与图像聚类研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 行人检测的难点 | 第12-13页 |
| 1.4 主要研究内容和创新点 | 第13-14页 |
| 1.5 论文组织结构 | 第14-15页 |
| 第二章 行人检测的相关技术 | 第15-24页 |
| 2.1 行人检测数据集 | 第15-16页 |
| 2.2 特征描述 | 第16-19页 |
| 2.2.1 HOG特征 | 第16-17页 |
| 2.2.2 LBP特征 | 第17-18页 |
| 2.2.3 深度特征 | 第18-19页 |
| 2.3 特征融合 | 第19-20页 |
| 2.4 卷积神经网络 | 第20-22页 |
| 2.5 分类器 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 基于图像分块的多特征行人检测算法 | 第24-33页 |
| 3.1 特征提取 | 第24-26页 |
| 3.1.1 行人HOG特征提取 | 第24-25页 |
| 3.1.2 LBP特征提取 | 第25-26页 |
| 3.2 图像分块与多特征融合 | 第26-29页 |
| 3.2.1 数据集 | 第26页 |
| 3.2.2 图像分块与多特征组合 | 第26-29页 |
| 3.3 实验与分析 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于多通道稀疏卷积神经网络的行人检测算法 | 第33-42页 |
| 4.1 图像预处理 | 第33-34页 |
| 4.1.1 HOG特征可视化 | 第33页 |
| 4.1.2 颜色空间转换 | 第33-34页 |
| 4.2 MCS-CNN行人检测算法 | 第34-38页 |
| 4.2.1 多通道输入 | 第35页 |
| 4.2.2 卷积层 | 第35-36页 |
| 4.2.3 稀疏层 | 第36-37页 |
| 4.2.4 MCS-CNN算法流程 | 第37-38页 |
| 4.3 softmax分类器 | 第38页 |
| 4.4 实验与分析 | 第38-41页 |
| 4.4.1 数据来源 | 第38页 |
| 4.4.2 卷积层数的选取 | 第38-40页 |
| 4.4.3 算法比较 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 基于特征融合的深度卷积聚类算法 | 第42-54页 |
| 5.1 聚类算法概述 | 第42-45页 |
| 5.1.1 K均值算法 | 第43页 |
| 5.1.2 层次聚类 | 第43-44页 |
| 5.1.3 基于深度学习的聚类算法 | 第44-45页 |
| 5.2 基于特征融合的深度卷积聚类算法 | 第45-49页 |
| 5.2.1 卷积自动编码器 | 第45-46页 |
| 5.2.2 深度嵌入聚类 | 第46-47页 |
| 5.2.3 特征融合 | 第47-48页 |
| 5.2.4 参数初始化以及训练 | 第48-49页 |
| 5.3 实验与分析 | 第49-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录 攻读硕士学位期间科研成果 | 第60-61页 |
| 致谢 | 第61页 |
