| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 行人检测研究现状 | 第12-13页 |
| 1.3 行人属性识别研究现状 | 第13-14页 |
| 1.4 研究内容以及章节安排 | 第14-16页 |
| 第2章 特征提取与分类原理 | 第16-34页 |
| 2.1 引言 | 第16-17页 |
| 2.2 机器学习 | 第17-22页 |
| 2.2.1 底层特征提取 | 第17-19页 |
| 2.2.2 支持向量机(SVM)分类器 | 第19-22页 |
| 2.3 深度学习 | 第22-30页 |
| 2.3.1 人工神经网络的发展 | 第22页 |
| 2.3.2 感知器 | 第22-25页 |
| 2.3.3 多层感知器与BP算法 | 第25-27页 |
| 2.3.4 梯度下降方式 | 第27-28页 |
| 2.3.5 卷积神经网络 | 第28-30页 |
| 2.4 评估指标 | 第30-34页 |
| 2.4.1 混淆矩阵 | 第30-31页 |
| 2.4.2 ROC和PR曲线 | 第31-32页 |
| 2.4.3 MR-FPPI曲线 | 第32-34页 |
| 第3章 基于背景模型的行人检测 | 第34-53页 |
| 3.1 引言 | 第34-35页 |
| 3.2 行人检测算法框架 | 第35页 |
| 3.3 运动目标检测 | 第35-42页 |
| 3.3.1 背景建模相关研究方法 | 第35-37页 |
| 3.3.2 构建背景模型 | 第37页 |
| 3.3.3 模型更新 | 第37-38页 |
| 3.3.4 模型初始化 | 第38页 |
| 3.3.5 图像预处理 | 第38-39页 |
| 3.3.6 前景目标区域提取 | 第39-42页 |
| 3.4 行人检测 | 第42-47页 |
| 3.4.1 检测算法总体设计 | 第42-43页 |
| 3.4.2 对称颜色自相似特征 | 第43-44页 |
| 3.4.3 行人模型 | 第44-45页 |
| 3.4.4 多尺度搜索 | 第45-46页 |
| 3.4.5 检测框聚类 | 第46-47页 |
| 3.5 实验结果与分析 | 第47-52页 |
| 3.5.1 实验环境 | 第47页 |
| 3.5.2 运动目标检测实验结果与分析 | 第47-49页 |
| 3.5.3 行人检测实验结果与分析 | 第49-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第4章 基于部位注意力的LSTM行人属性识别模型 | 第53-75页 |
| 4.1 引言 | 第53-54页 |
| 4.2 卷积网络基本结构 | 第54-61页 |
| 4.2.1 卷积层 | 第54-55页 |
| 4.2.2 全连接层 | 第55-56页 |
| 4.2.3 池化层 | 第56-57页 |
| 4.2.4 ReLU激活层 | 第57-60页 |
| 4.2.5 Batch Normalization层 | 第60-61页 |
| 4.2.6 Dropout层 | 第61页 |
| 4.3 GoogLeNet模型 | 第61-63页 |
| 4.4 LSTM模型 | 第63-64页 |
| 4.5 行人属性识别模型 | 第64-69页 |
| 4.5.1 行人部位划分 | 第64-65页 |
| 4.5.2 注意力机制 | 第65-67页 |
| 4.5.3 模型结构 | 第67-69页 |
| 4.6 实验结果与分析 | 第69-74页 |
| 4.6.1 数据集 | 第69-70页 |
| 4.6.2 参数设置 | 第70页 |
| 4.6.3 数据增强 | 第70-71页 |
| 4.6.4 部位注意力LSTM模型实验结果与分析 | 第71-72页 |
| 4.6.5 权重交叉熵损失函数实验结果与分析 | 第72-74页 |
| 4.7 本章小结 | 第74-75页 |
| 总结与展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 附录A 攻读硕士学位期间取得的成果 | 第82页 |