| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状与进展 | 第11-13页 |
| 1.3 本文研究的主要内容 | 第13-14页 |
| 1.4 本文的组织结构及章节安排 | 第14-15页 |
| 第2章 行人车辆与驾驶员姿态检测系统中的相关技术理论 | 第15-25页 |
| 2.1 行人车辆检测算法理论介绍 | 第15-21页 |
| 2.1.1 基于HOG特征的行人车辆检测方法 | 第15-16页 |
| 2.1.2 基于Haar特征的行人车辆检测方法 | 第16-18页 |
| 2.1.3 基于卷积神经网络的行人车辆检测方法 | 第18-21页 |
| 2.2 驾驶员姿态监测算法理论介绍 | 第21-23页 |
| 2.2.1 基于面部特征分类算法的头部姿态估计 | 第21-23页 |
| 2.2.2 基于面部特征点准确建模的头部姿态检测 | 第23页 |
| 2.3 本章小结 | 第23-25页 |
| 第3章 一种特征无损的Faster r-cnn行人车辆检测方法 | 第25-41页 |
| 3.1 Faster r-cnn卷积神经网络检测方法 | 第26-29页 |
| 3.1.1 图像候选区域的提取方法 | 第26-27页 |
| 3.1.2“空间锥”池化方法 | 第27-29页 |
| 3.2 Faster r-cnn网络在行人车辆检测问题中的不足 | 第29-31页 |
| 3.2.1“空间锥”池化层导致的特征丢失问题 | 第29-30页 |
| 3.2.2 加入随机森林分类器的Faster r-cnn方法 | 第30-31页 |
| 3.3 特征无损型Faster r-cnn网络 | 第31-34页 |
| 3.4 实验 | 第34-40页 |
| 3.4.1 实验流程设计 | 第34-36页 |
| 3.4.2 实验实现方法 | 第36-37页 |
| 3.4.3 实验数据与结果分析 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 细节信息增强型行人车辆检测网络加速方法 | 第41-53页 |
| 4.1“知识提取”网络压缩方法 | 第41-42页 |
| 4.2 细节信息增强型“知识提取”方法 | 第42-45页 |
| 4.3 实验 | 第45-51页 |
| 4.3.1 实验流程设计 | 第45-47页 |
| 4.3.2 实验实现方法 | 第47-48页 |
| 4.3.3 实验数据与结果分析 | 第48-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 基于面部特征点距的快速驾驶员头部姿态估计方法 | 第53-71页 |
| 5.1 面部特征点检测方法 | 第53-58页 |
| 5.1.1 像素差特征 | 第54-55页 |
| 5.1.2 基于离散程度最小化的随机森林算法 | 第55-57页 |
| 5.1.3 基于“局部二值特征信息”的线性回归方法 | 第57-58页 |
| 5.2 快速头部姿态估计方法 | 第58-61页 |
| 5.2.1 面部特征点间相对位置关系的面部姿态特征设计 | 第58-61页 |
| 5.2.2 基于面部姿态特征的快速头部姿态估计方法 | 第61页 |
| 5.3 实验 | 第61-69页 |
| 5.3.1 实验流程设计 | 第62-63页 |
| 5.3.2 实验实现方法 | 第63-64页 |
| 5.3.3 实验数据与结果分析 | 第64-69页 |
| 5.4 本章小结 | 第69-71页 |
| 总结与展望 | 第71-73页 |
| 1、工作总结 | 第71页 |
| 2、存在的不足及研究工作展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间所发表的学术论文 | 第77-79页 |
| 致谢 | 第79页 |
