| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-23页 |
| 1.1 行人检测的研究背景及意义 | 第14-16页 |
| 1.2 行人检测的难点 | 第16-17页 |
| 1.3 行人检测研究现状 | 第17-19页 |
| 1.4 行人检测常用数据集以及评价准则 | 第19-21页 |
| 1.4.1 常用数据集 | 第19-20页 |
| 1.4.2 评价标准 | 第20-21页 |
| 1.5 本文的研究内容及组织结构 | 第21-23页 |
| 第二章 行人检测相关技术分析 | 第23-34页 |
| 2.1 常用的行人特征提取算法 | 第23-29页 |
| 2.1.1 Haar-like特征 | 第23-25页 |
| 2.1.2 HOG特征 | 第25-27页 |
| 2.1.3 DPM特征 | 第27-29页 |
| 2.2 常用的行人检测分类算法 | 第29-33页 |
| 2.2.1 支持向量机 | 第29-32页 |
| 2.2.2 AdaBoost | 第32-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第三章 深度学习在行人检测中的应用 | 第34-48页 |
| 3.1 神经网络 | 第34-38页 |
| 3.1.1 神经网络模型 | 第34-36页 |
| 3.1.2 反向传播算法 | 第36-38页 |
| 3.2 卷积神经网络 | 第38-41页 |
| 3.3 卷积神经网络常用模型及技术 | 第41-43页 |
| 3.3.1 改进训练学习算法 | 第41-43页 |
| 3.3.2 改进网络结构 | 第43页 |
| 3.4 基于Fast R-CNN的行人检测 | 第43-47页 |
| 3.4.1 模型框架 | 第44-46页 |
| 3.4.2 实验与分析 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于Fast R-CNN和batch normalization的行人检测 | 第48-58页 |
| 4.1 提取目标区域 | 第49-51页 |
| 4.2 批归一化 | 第51-52页 |
| 4.3 行人检测模型框架 | 第52-53页 |
| 4.4 行人检测流程 | 第53-54页 |
| 4.5 实验结果与分析 | 第54-57页 |
| 4.5.1 INRIA行人数据集 | 第54-56页 |
| 4.5.2 ETH行人数据集 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第64-65页 |