| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 课题研究背景与意义 | 第12-15页 |
| 1.1.1 行人检测研究背景 | 第12-14页 |
| 1.1.2 车辆检测研究背景 | 第14-15页 |
| 1.2 行人与车辆检测国内外研究现状 | 第15-18页 |
| 1.2.1 行人检测研究现状 | 第16-17页 |
| 1.2.2 车辆检测研究现状 | 第17-18页 |
| 1.3 深度学习国内外研究现状 | 第18-20页 |
| 1.4 本文主要研究内容与成果 | 第20-22页 |
| 第二章 基于改进FAST-RCNN的智能车辆目标检测算法 | 第22-42页 |
| 2.1 深度卷积神经网络与Fast-Rcnn目标检测基本原理 | 第22-29页 |
| 2.1.1 深度卷积神经网络结构 | 第23-25页 |
| 2.1.2 深度卷积神经网络训练过程 | 第25-26页 |
| 2.1.3 Fast-Rcnn目标检测算法基本原理 | 第26-29页 |
| 2.2 基于Edgebox的改进Fast-Rcnn算法 | 第29-33页 |
| 2.2.1 Edgebox基本原理 | 第29-32页 |
| 2.2.2 改进Fast-Rcnn算法 | 第32-33页 |
| 2.3 实验结果与分析 | 第33-41页 |
| 2.3.1 Pascal VOC2007目标检测数据库 | 第33-37页 |
| 2.3.2 实车实验数据 | 第37-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第三章 Fast-Rcnn与超限学习机组合学习算法 | 第42-54页 |
| 3.1 超限学习机 | 第42-45页 |
| 3.2 改进Fast-Rcnn与OS-ELM组合分类算法 | 第45-49页 |
| 3.2.1 OS-ELM | 第45-48页 |
| 3.2.2 基于改进Fast-Rcnn与OS-ELM的组合分类算法 | 第48-49页 |
| 3.3 实验结果与分析 | 第49-53页 |
| 3.3.1 改进Fast-Rcnn用于车辆检测 | 第50页 |
| 3.3.2 改进Fast-Rcnn与SVM组合分类算法用于车辆检测 | 第50-51页 |
| 3.3.3 改进Fast-Rcnn与OS-ELM组合分类算法用于车辆检测 | 第51-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第四章 深度卷积神经网络方法在智能车辆行人检测中的验证与评估 | 第54-64页 |
| 4.1 智能车环境感知系统 | 第54-56页 |
| 4.1.1 64线高精度激光雷达 | 第54-55页 |
| 4.1.2 Prosilica GT2000型摄像机 | 第55-56页 |
| 4.2 行人检测数据库 | 第56-59页 |
| 4.2.1 行人检测数据库介绍 | 第56-58页 |
| 4.2.2 评价指标 | 第58-59页 |
| 4.2.3 实验条件 | 第59页 |
| 4.3 实验结果与分析 | 第59-63页 |
| 4.3.1 本文改进算法训练过程 | 第59-60页 |
| 4.3.2 改进算法迭代次数确定 | 第60页 |
| 4.3.3 行人检测结果及对比分析 | 第60-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 结论与展望 | 第64-66页 |
| 5.1 本文工作总结 | 第64-65页 |
| 5.2 研究展望 | 第65-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 作者在学期间取得的学术成果 | 第74页 |
