基于深度学习理论的行人检测研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 行人检测难点及研究现状 | 第9-12页 |
| 1.2.1 行人检测难点分析 | 第9-11页 |
| 1.2.2 国内外研究现状 | 第11-12页 |
| 1.3 主要内容及结构安排 | 第12-15页 |
| 1.3.1 主要内容 | 第12-13页 |
| 1.3.2 结构安排 | 第13-15页 |
| 2 行人检测相关基础知识 | 第15-28页 |
| 2.1 行人检测原理 | 第15-16页 |
| 2.2 窗口选择 | 第16-17页 |
| 2.2.1 基于滑动窗口的预选框选择 | 第16页 |
| 2.2.2 基于选择性搜索的预选框选择 | 第16-17页 |
| 2.3 行人的特征表示 | 第17-20页 |
| 2.3.1 HOG特征 | 第17-19页 |
| 2.3.2 LBP特征 | 第19-20页 |
| 2.4 行人分类算法 | 第20-23页 |
| 2.4.1 SVM分类算法 | 第20-23页 |
| 2.5 数据集与评价标准 | 第23-25页 |
| 2.5.1 行人检测数据库 | 第24页 |
| 2.5.2 行人检测评价标准 | 第24-25页 |
| 2.6 深度学习 | 第25-27页 |
| 2.6.1 从浅层到深层的发展 | 第25-26页 |
| 2.6.2 深度学习的基本思想 | 第26-27页 |
| 2.7 小结 | 第27-28页 |
| 3 基于卷积神经网络的行人检测 | 第28-41页 |
| 3.1 神经网络与反向传播算法 | 第28-32页 |
| 3.1.1 神经网络 | 第28-30页 |
| 3.1.2 反向传播算法 | 第30-32页 |
| 3.2 卷积神经网络 | 第32-35页 |
| 3.2.1 卷积神经网络的特点 | 第33页 |
| 3.2.2 卷积神经网络的网络结构 | 第33-35页 |
| 3.3 基于卷积神经网络的行人检测算法性能分析 | 第35-40页 |
| 3.3.1 本文的卷积神经网络结构 | 第36页 |
| 3.3.2 实验环境与方案 | 第36-38页 |
| 3.3.3 试验结果分析 | 第38-40页 |
| 3.4 小结 | 第40-41页 |
| 4 基于改进的卷积神经网络的行人检测 | 第41-48页 |
| 4.1 选择性搜索 | 第41-43页 |
| 4.2 特征预处理 | 第43-44页 |
| 4.3 基于改进的卷积神经网络的行人检测性能分析 | 第44-47页 |
| 4.3.1 不同特征预处理对检测结果的影响 | 第44-45页 |
| 4.3.2 改进的卷积神经网络模型 | 第45-47页 |
| 4.4 小结 | 第47-48页 |
| 5 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录 | 第55-56页 |
