| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 研究难点及研究现状 | 第11-14页 |
| 1.2.1 研究难点 | 第11-12页 |
| 1.2.2 研究现状 | 第12-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第二章 传统目标检测及基于深度学习的目标检测算法 | 第17-32页 |
| 2.1 基于HOG+SVM的行人检测 | 第17-20页 |
| 2.1.1 SVM分类器 | 第17-18页 |
| 2.1.2 HOG特征 | 第18-20页 |
| 2.2 卷积神经网络 | 第20-27页 |
| 2.2.1 神经网络 | 第20-22页 |
| 2.2.2 卷积神经网络 | 第22-27页 |
| 2.3 基于深度学习的目标检测算法 | 第27-30页 |
| 2.3.1 基于端到端的目标检测算法 | 第27-28页 |
| 2.3.2 基于区域提名的目标检测算法 | 第28-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 基于Faster R-CNN的行人检测 | 第32-45页 |
| 3.1 引言 | 第32页 |
| 3.2 数据集 | 第32-34页 |
| 3.2.1 目标检测常用的数据集 | 第32-33页 |
| 3.2.2 本文使用的数据集 | 第33-34页 |
| 3.3 Faster R-CNN算法 | 第34-40页 |
| 3.3.1 RPN网络 | 第35-37页 |
| 3.3.2 Fast R-CNN检测网络 | 第37-38页 |
| 3.3.3 损失函数 | 第38-39页 |
| 3.3.4 训练过程 | 第39-40页 |
| 3.4 基于Faster R-CNN的行人检测算法 | 第40-43页 |
| 3.4.1 模型训练 | 第40页 |
| 3.4.2 评估指标 | 第40-41页 |
| 3.4.3 实验结果分析 | 第41-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 基于改进Faster R-CNN的行人遮挡检测 | 第45-55页 |
| 4.1 引言 | 第45页 |
| 4.2 提取行人特征的网络模型 | 第45-47页 |
| 4.2.1 SENet | 第45-46页 |
| 4.2.2 SE-Res Net | 第46页 |
| 4.2.3 前置网络对比 | 第46-47页 |
| 4.3 先验框的选择 | 第47-48页 |
| 4.4 遮挡行人检测 | 第48-51页 |
| 4.4.1 Loss的重新选择 | 第48-50页 |
| 4.4.2 数据集 | 第50-51页 |
| 4.5 实验结果分析 | 第51-54页 |
| 4.6 应用场景 | 第54页 |
| 4.7 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 研究总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第60-61页 |
| 附录2 攻读硕士学位期间申请的专利 | 第61-62页 |
| 致谢 | 第62页 |