| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| Chapter 1 Introduction | 第25-35页 |
| 1.1 Human attributes analysis for behaviors | 第25-28页 |
| 1.1.1 Object based approaches | 第26页 |
| 1.1.2 Holistic approaches | 第26-27页 |
| 1.1.3 Hybrid approaches | 第27-28页 |
| 1.2 Thesis motivation | 第28-30页 |
| 1.3 Objectives | 第30页 |
| 1.4 Innovation | 第30-32页 |
| 1.5 Organization of the thesis | 第32-33页 |
| 1.6 Chapter summary | 第33页 |
| 1.7 本章小结 | 第33-35页 |
| Chapter 2 Algorithm for Pedestrians' Full Body Orientation andDirection of Attention Via Deep Learning Approach | 第35-63页 |
| 2.1 Chapter introduction | 第35-36页 |
| 2.2 Existing works regarding pedestrians' full body orientation and directionof attention | 第36-40页 |
| 2.3 Convolutional neural network (CNN) | 第40-45页 |
| 2.3.1 Convolution layer | 第40-41页 |
| 2.3.2 Pooling layer | 第41-42页 |
| 2.3.3 Rectified linear units (ReLUs) layer | 第42页 |
| 2.3.4 Fully connected layer | 第42-43页 |
| 2.3.5 Dropout layer | 第43页 |
| 2.3.6 Softmax layer | 第43-44页 |
| 2.3.7 Training of a CNN | 第44-45页 |
| 2.4 Proposed CNN design | 第45-49页 |
| 2.4.1 Training dataset preparation | 第47-49页 |
| 2.5 Results and discussions | 第49-61页 |
| 2.5.1 Fine tuning | 第50-52页 |
| 2.5.2 Testing protocol | 第52-53页 |
| 2.5.3 Experiment on TUD-Multiview pedestrian dataset | 第53-56页 |
| 2.5.4 Experiment on CAVIAR dataset | 第56-58页 |
| 2.5.5 Experiment on real-time video sequences | 第58-61页 |
| 2.6 Chapter summary | 第61页 |
| 2.7 本章小结 | 第61-63页 |
| Chapter 3 Algorithm for Pedestrians' Classification by UsingStacked Sparse Autoencoder | 第63-75页 |
| 3.1 Chapter introduction | 第63-64页 |
| 3.2 Existing works regarding pedestrian classifications | 第64-65页 |
| 3.3 The proposed approach | 第65-69页 |
| 3.3.1 Saliency maps | 第66-67页 |
| 3.3.2 Sparse autoencoder (SAE) | 第67-69页 |
| 3.3.3 SSAE | 第69页 |
| 3.3.4 Softmax classifier | 第69页 |
| 3.4 Results and discussions | 第69-73页 |
| 3.5 Chapter summary | 第73页 |
| 3.6 本章小结 | 第73-75页 |
| Chapter 4 Algorithms for Distance and Dimensions Estimations ofPedestrians in Real-Time Environments | 第75-95页 |
| 4.1 Chapter introduction | 第75-76页 |
| 4.2 Existing works regarding distance and dimensions estimations ofpedestrians | 第76-78页 |
| 4.3 The proposed methodology | 第78-87页 |
| 4.3.1 Pedestrian identification | 第79-80页 |
| 4.3.2 Foreground objects extraction | 第80页 |
| 4.3.3 CNN model for pedestrian identification | 第80-82页 |
| 4.3.4 Distance and dimensions estimations | 第82-87页 |
| 4.4 Results and discussions | 第87-93页 |
| 4.4.1 Pedestrian identification | 第87-89页 |
| 4.4.2 Distance and dimension estimations | 第89-93页 |
| 4.5 Chapter summary | 第93-94页 |
| 4.6 本章小结 | 第94-95页 |
| Chapter 5 Algorithm for Pedestrian Gender Recognition UsingStacked Sparse Autoencoders | 第95-109页 |
| 5.1 Chapter introduction | 第95页 |
| 5.2 Existing works regarding pedestrian gender recognition | 第95-98页 |
| 5.3 Pedestrian gender recognition via stacked sparse autoencoder | 第98-101页 |
| 5.3.1 Parsing a pedestrian | 第99-101页 |
| 5.3.2 Pedestrian gender classification (AE) | 第101页 |
| 5.4 Results and discussions | 第101-107页 |
| 5.4.1 Training dataset | 第101-102页 |
| 5.4.2 Training and fine-tuning of Proposed SSAE | 第102-104页 |
| 5.4.3 Testing with MIT dataset | 第104-107页 |
| 5.4.4 Testing with PETA dataset | 第107页 |
| 5.5 Chapter summary | 第107-108页 |
| 5.6 本章小结 | 第108-109页 |
| Chapter 6 Algorithm for Pedestrian Gender Recognition UsingConvolutional Neural Networks | 第109-117页 |
| 6.1 Chapter introduction | 第109页 |
| 6.2 Pedestrian gender recognition via deep convolutional neural networks | 第109-112页 |
| 6.2.1 Parsing pedestrians | 第110页 |
| 6.2.2 Convolutional neural network (CNN) | 第110-112页 |
| 6.3 Results and discussions | 第112-116页 |
| 6.4 Chapter summary | 第116页 |
| 6.5 本章小结 | 第116-117页 |
| Chapter 7 Conclusions and Future Research | 第117-121页 |
| 7.1 Summary of contributions | 第117-119页 |
| 7.2 Future research | 第119-121页 |
| 第7章 总结与展望 | 第121-123页 |
| 7.1 研究总结 | 第121-122页 |
| 7.2 工作展望 | 第122-123页 |
| REFERENCES | 第123-138页 |
| LIST of PUBLICATIONS | 第138-140页 |
| ACKNOWLEDGEMENTS | 第140页 |
