| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 论文研究的目的与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 计算机视觉技术研究现状 | 第11-13页 |
| 1.2.2 智能多旋翼无人机研究现状 | 第13-15页 |
| 1.3 本文的主要研究内容 | 第15-17页 |
| 第2章 人体目标检测 | 第17-40页 |
| 2.1 无人机振动补偿 | 第17-20页 |
| 2.2 背景建模与重构 | 第20-24页 |
| 2.3 目标侯选框生成 | 第24-26页 |
| 2.4 侯选框目标分类 | 第26-35页 |
| 2.4.1 HOG特征加SVM分类器 | 第26-27页 |
| 2.4.2 多层全连接神经网络 | 第27-31页 |
| 2.4.3 深度卷积神经网络 | 第31-35页 |
| 2.5 目标检测器训练结果 | 第35-39页 |
| 2.5.1 深度卷积神经网络分类效果 | 第35-38页 |
| 2.5.2 与SVM方法的检测效果对比 | 第38-39页 |
| 2.6 本章小结 | 第39-40页 |
| 第3章 目标跟踪与人体姿态信息识别 | 第40-54页 |
| 3.1 目标跟踪器设计 | 第40-48页 |
| 3.1.1 Camshift算法 | 第41-43页 |
| 3.1.2 光流法 | 第43-45页 |
| 3.1.3 KCF跟踪算法 | 第45-48页 |
| 3.2 人机交互功能开关设计 | 第48-50页 |
| 3.3 人体姿态信息检测 | 第50-52页 |
| 3.4 本章小结 | 第52-54页 |
| 第4章 基于Faster R-CNN的检测器设计 | 第54-68页 |
| 4.1 区域卷积神经网络算法 | 第54-62页 |
| 4.1.1 R-CNN | 第54-56页 |
| 4.1.2 Fast R-CNN | 第56-59页 |
| 4.1.3 Faster R-CNN | 第59-62页 |
| 4.2 训练数据获取 | 第62-63页 |
| 4.3 训练Faster R-CNN | 第63-66页 |
| 4.3.1 RPN网络训练策略 | 第63-64页 |
| 4.3.2 RPN与Faster R-CNN共享卷积层训练 | 第64页 |
| 4.3.3 Faster R-CNN训练结果 | 第64-66页 |
| 4.4 本章小结 | 第66-68页 |
| 第5章 无人机系统搭建与实验验证 | 第68-78页 |
| 5.1 无人机硬件系统搭建 | 第68-72页 |
| 5.2 算法计算平台选定 | 第72-74页 |
| 5.2.1 嵌入式计算平台选定 | 第72-73页 |
| 5.2.2 深度学习开发与计算平台 | 第73-74页 |
| 5.3 实验验证与算法运行效率分析 | 第74-77页 |
| 5.3.1 人机交互实验验证 | 第74-76页 |
| 5.3.2 算法运行效率分析 | 第76-77页 |
| 5.4 本章小结 | 第77-78页 |
| 结论 | 第78-80页 |
| 参考文献 | 第80-83页 |
| 攻读学位期间发表的学术论文 | 第83-85页 |
| 致谢 | 第85页 |