| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 常用行人数据集 | 第17-18页 |
| 1.4 论文主要内容与组织结构 | 第18-20页 |
| 第2章 基于通道特征的行人检测 | 第20-36页 |
| 2.1 引言 | 第20页 |
| 2.2 行人检测框架 | 第20-21页 |
| 2.3 通道特征 | 第21-24页 |
| 2.4 快速特征金字塔 | 第24-27页 |
| 2.5 分类器构造 | 第27-30页 |
| 2.5.1 AdaBoost算法 | 第27-29页 |
| 2.5.2 级联分类器 | 第29-30页 |
| 2.6 实验流程与结果分析 | 第30-34页 |
| 2.6.1 检测评价标准 | 第30-31页 |
| 2.6.2 行人检测器训练 | 第31-33页 |
| 2.6.3 决策树深度和数量选择 | 第33页 |
| 2.6.4 行人检测结果 | 第33-34页 |
| 2.7 本章小结 | 第34-36页 |
| 第3章 基于卷积神经网络的行人检测 | 第36-59页 |
| 3.1 引言 | 第36页 |
| 3.2 人工神经网络 | 第36-39页 |
| 3.2.1 神经网络结构 | 第36-37页 |
| 3.2.2 反向传播算法 | 第37-39页 |
| 3.3 卷积神经网络 | 第39-44页 |
| 3.3.1 卷积层 | 第40-41页 |
| 3.3.2 池化层 | 第41页 |
| 3.3.3 激活函数 | 第41-43页 |
| 3.3.4 全连接层 | 第43页 |
| 3.3.5 损失函数 | 第43-44页 |
| 3.4 R-CNN系列目标检测方法 | 第44-52页 |
| 3.4.1 R-CNN | 第44-45页 |
| 3.4.2 SPP-Net | 第45-46页 |
| 3.4.3 FastR-CNN | 第46-48页 |
| 3.4.4 FasterR-CNN | 第48-52页 |
| 3.5 基于FasterR-CNN的行人检测在Caffe上的实现 | 第52-55页 |
| 3.5.1 训练数据准备 | 第52-53页 |
| 3.5.2 网络模型 | 第53-55页 |
| 3.5.3 网络训练 | 第55页 |
| 3.6 实验结果与分析 | 第55-57页 |
| 3.7 本章小结 | 第57-59页 |
| 第4章 基于模糊推理的行人碰撞风险评估 | 第59-73页 |
| 4.1 引言 | 第59页 |
| 4.2 单目视觉距离测量 | 第59-66页 |
| 4.2.1 相机成像原理 | 第59-62页 |
| 4.2.2 相机标定 | 第62-63页 |
| 4.2.3 几何测距模型 | 第63-65页 |
| 4.2.4 单目测距误差分析 | 第65-66页 |
| 4.3 基于模糊推理的碰撞风险评估 | 第66-72页 |
| 4.3.1 模糊集合与隶属函数 | 第66-67页 |
| 4.3.2 模糊推理系统 | 第67-68页 |
| 4.3.3 碰撞风险模糊推理系统构建 | 第68-70页 |
| 4.3.4 实验分析 | 第70-72页 |
| 4.4 本章小结 | 第72-73页 |
| 第5章 总结与展望 | 第73-75页 |
| 5.1 总结 | 第73-74页 |
| 5.2 展望 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 攻读学位期间发表的学术论文 | 第80-81页 |
| 致谢 | 第81-82页 |