| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题的研究背景 | 第9-10页 |
| 1.2 论文研究的目的和意义 | 第10-12页 |
| 1.3 国内外有关研究现状 | 第12-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 基于机器学习方法的行人检测 | 第16-32页 |
| 2.1 典型的行人特征表示 | 第16-22页 |
| 2.1.1 HOG特征 | 第17-19页 |
| 2.1.2 Haar-like特征 | 第19-21页 |
| 2.1.3 LBP特征 | 第21-22页 |
| 2.2 基于传统机器学习方法的行人检测 | 第22-23页 |
| 2.3 深度学习方法 | 第23-30页 |
| 2.3.1 深度置信网络 | 第24-27页 |
| 2.3.2 卷积神经网络 | 第27-29页 |
| 2.3.3 循环神经网络 | 第29-30页 |
| 2.4 行人检测常用数据库 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于模糊深度置信网络的行人检测方法 | 第32-45页 |
| 3.1 模糊受限玻尔兹曼机 | 第32-36页 |
| 3.2 基于模糊深度置信网络算法的行人检测 | 第36-43页 |
| 3.2.1 模糊深度置信网络学习算法 | 第36-38页 |
| 3.2.2 实验结果与分析 | 第38-41页 |
| 3.2.3 系统框架设计 | 第41-42页 |
| 3.2.4 行人检测效果分析 | 第42-43页 |
| 3.3 本章小结 | 第43-45页 |
| 第4章 基于动态自适应区域卷积神经网络的行人检测方法 | 第45-60页 |
| 4.1 快速区域卷积神经网络算法 | 第45-46页 |
| 4.2 动态自适应池化算法 | 第46-47页 |
| 4.3 基于动态自适应区域卷积神经网络的行人检测算法 | 第47-59页 |
| 4.3.1 行人候选框提取 | 第48-51页 |
| 4.3.2 动态自适应快速区域卷积模型结构 | 第51-53页 |
| 4.3.3 深度神经网络开源框架TensorFlow | 第53页 |
| 4.3.4 行人检测过程 | 第53-54页 |
| 4.3.5 算法实现及结果分析 | 第54-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 结论 | 第60-62页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 作者简介 | 第67-68页 |
| 攻读硕士学位期间研究成果 | 第68页 |
