| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 关键问题 | 第14-15页 |
| 1.4 本文研究内容 | 第15-16页 |
| 1.5 本文组织结构 | 第16-19页 |
| 第2章 相关技术介绍 | 第19-31页 |
| 2.1 概述 | 第19页 |
| 2.2 深度学习方法 | 第19-23页 |
| 2.2.1 人工神经网络 | 第20-21页 |
| 2.2.2 卷积神经网络 | 第21-23页 |
| 2.3 图像特征提取算法 | 第23-26页 |
| 2.4 机器学习分类算法 | 第26-30页 |
| 2.4.1 二分类算法 | 第26-28页 |
| 2.4.2 单分类算法 | 第28-30页 |
| 2.5 本章总结 | 第30-31页 |
| 第3章 基于深度学习的行人位置检测 | 第31-53页 |
| 3.1 问题描述 | 第31页 |
| 3.2 算法分析 | 第31-34页 |
| 3.2.1 人脸检测算法分析 | 第31-32页 |
| 3.2.2 头肩部检测算法分析 | 第32-34页 |
| 3.3 基于级联CNN的人脸检测 | 第34-42页 |
| 3.3.1 人脸检测算法实现 | 第34-35页 |
| 3.3.2 级联CNN模型结构 | 第35-38页 |
| 3.3.3 实验结果与分析 | 第38-42页 |
| 3.4 基于检测模型的头肩部检测 | 第42-52页 |
| 3.4.1 Faster R-CNN网络介绍 | 第42-43页 |
| 3.4.2 YOLO网络介绍 | 第43-45页 |
| 3.4.3 头肩部检测模型 | 第45-48页 |
| 3.4.4 实验结果与分析 | 第48-52页 |
| 3.5 本章总结 | 第52-53页 |
| 第4章 基于多任务CNN和单类SVM的可疑人员判别 | 第53-65页 |
| 4.1 问题描述 | 第53页 |
| 4.2 算法分析 | 第53-55页 |
| 4.3 基于多任务CNN的头肩部特征提取 | 第55-59页 |
| 4.3.1 基于卷积神经网络的多任务分类模型 | 第55-56页 |
| 4.3.2 卷积网络改进算法 | 第56-58页 |
| 4.3.3 头肩部特征提取 | 第58-59页 |
| 4.4 基于复合核函数的单类支持向量机 | 第59-60页 |
| 4.5 可疑人员判别算法流程 | 第60-61页 |
| 4.6 实验结果与分析 | 第61-64页 |
| 4.6.1 数据集 | 第61-62页 |
| 4.6.2 算法性能评估 | 第62-64页 |
| 4.7 本章总结 | 第64-65页 |
| 第5章 可疑人员检测算法验证系统 | 第65-73页 |
| 5.1 系统架构 | 第65-66页 |
| 5.2 检测区域标定算法 | 第66-69页 |
| 5.2.1 基于运动矢量的前景提取 | 第66-67页 |
| 5.2.2 检测区域标定 | 第67-69页 |
| 5.2.3 实验结果与分析 | 第69页 |
| 5.3 系统实现与测试 | 第69-71页 |
| 5.4 本章总结 | 第71-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 本文工作总结 | 第73-74页 |
| 6.2 未来工作展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81-83页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第83页 |