| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 人工设计的特征 | 第10-11页 |
| 1.2.2 基于学习的特征 | 第11-12页 |
| 1.3 本文主要工作 | 第12-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第二章 基于传统方法的目标检测方法 | 第15-25页 |
| 2.1 经典传统目标检测方法概述 | 第15-18页 |
| 2.1.1 行人检测系统基本原理 | 第15-16页 |
| 2.1.2 滑动窗口策略 | 第16-17页 |
| 2.1.3 图像局部区域策略 | 第17-18页 |
| 2.2 HOG特征结合SVM检测框架 | 第18-19页 |
| 2.3 可变性部件模型检测框架(DPM) | 第19-21页 |
| 2.4 聚合通道特征(ACF)方法 | 第21页 |
| 2.5 局部去相关通道特征(LDCF)方法 | 第21-22页 |
| 2.6 实验结果 | 第22-24页 |
| 2.7 本章小结 | 第24-25页 |
| 第三章 基于深度卷积神经网络的目标检测框架 | 第25-44页 |
| 3.1 经典深度学习方法概述 | 第25-28页 |
| 3.1.1 优化目标函数的反向传播算法 | 第25-26页 |
| 3.1.2 网络权重的迁移学习 | 第26-27页 |
| 3.1.3 损失函数 | 第27-28页 |
| 3.2 Faster R-CNN深度学习框架 | 第28-32页 |
| 3.3 YOLO深度学习框架 | 第32-35页 |
| 3.4 SSD深度学习框架 | 第35-39页 |
| 3.5 传统检测算法与深度学习检测算法效果对比 | 第39-40页 |
| 3.6 实验结果 | 第40-42页 |
| 3.7 本章小结 | 第42-44页 |
| 第四章 基于深度学习的多场景目标检测方法 | 第44-68页 |
| 4.1 引言 | 第44页 |
| 4.2 网络结构的改进 | 第44-46页 |
| 4.3 残差网络 | 第46-47页 |
| 4.4 MFRD残差神经网络 | 第47-55页 |
| 4.4.1 基于卷积神经网络的多特征融合 | 第48-53页 |
| 4.4.2 基于卷积神经网络的多任务级联 | 第53-55页 |
| 4.5 MFRD行人目标检测实现 | 第55-56页 |
| 4.6 评价指标 | 第56-58页 |
| 4.7. 实验环境 | 第58页 |
| 4.8 实验结果 | 第58-66页 |
| 4.8.1 Caltech数据集实验结果 | 第60-62页 |
| 4.8.2 KITTI数据集实验结果 | 第62-64页 |
| 4.8.3 campus-day-night数据集实验结果 | 第64-66页 |
| 4.9 本章小结 | 第66-68页 |
| 第五章 行人目标检测与再识别系统实现和实验结果 | 第68-75页 |
| 5.1 引言 | 第68-70页 |
| 5.2 视频采集与预处理模块 | 第70页 |
| 5.3 目标检测模块 | 第70-71页 |
| 5.4 目标跟踪模块 | 第71页 |
| 5.5 行人再识别模块 | 第71页 |
| 5.6 系统环境 | 第71-72页 |
| 5.7 系统界面 | 第72页 |
| 5.8 实验效果 | 第72-74页 |
| 5.9 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 在校期间研究成果 | 第82-83页 |