| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 国内外行人检测研究现状 | 第13-16页 |
| 1.3 行人检测的技术难点 | 第16-17页 |
| 1.4 论文研究内容及章节结构安排 | 第17-19页 |
| 第2章 行人检测相关技术 | 第19-31页 |
| 2.1 行人检测的特征提取 | 第19-24页 |
| 2.1.1 梯度方向直方图特征 | 第19-21页 |
| 2.1.2 局部二值模式特征 | 第21-23页 |
| 2.1.3 Haar-like特征 | 第23-24页 |
| 2.2 常用分类器介绍 | 第24-28页 |
| 2.2.1 支持向量机 | 第24-27页 |
| 2.2.2 自适应增强算法 | 第27-28页 |
| 2.3 行人候选区域的选择 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 基于ACF算法改进的行人检测算法 | 第31-49页 |
| 3.1 ACF特征 | 第31-34页 |
| 3.1.1 LUV颜色通道 | 第31-32页 |
| 3.1.2 梯度幅值通道 | 第32页 |
| 3.1.3 梯度方向通道 | 第32-34页 |
| 3.2 检测流程 | 第34-37页 |
| 3.2.1 快速特征金字塔的计算 | 第34-35页 |
| 3.2.2 滑窗检测 | 第35-36页 |
| 3.2.3 窗口融合 | 第36-37页 |
| 3.3 ACF的分类器 | 第37-39页 |
| 3.3.1 软级联Adaboost分类器 | 第37-38页 |
| 3.3.2 分类器的改进设计 | 第38-39页 |
| 3.4 分类器训练方法 | 第39-41页 |
| 3.5 改进的窗口融合策略 | 第41-42页 |
| 3.6 实验与分析 | 第42-48页 |
| 3.6.1 实验平台 | 第42页 |
| 3.6.2 行人检测评价指标 | 第42-43页 |
| 3.6.3 实验数据集 | 第43-44页 |
| 3.6.4 实验结果分析 | 第44-48页 |
| 3.7 本章小结 | 第48-49页 |
| 第4章 基于软级联Adaboost串联卷积神经网络的行人检测框架 | 第49-74页 |
| 4.1 人工神经网络 | 第49-57页 |
| 4.1.1 神经元 | 第49-51页 |
| 4.1.2 神经网络的结构 | 第51-52页 |
| 4.1.3 随机梯度下降算法 | 第52-54页 |
| 4.1.4 反向传播算法 | 第54-57页 |
| 4.2 卷积神经网络 | 第57-60页 |
| 4.2.1 卷积层 | 第58-59页 |
| 4.2.2 下采样层 | 第59-60页 |
| 4.2.3 全连接层 | 第60页 |
| 4.3 基于卷积神经网络的行人检测模型设计 | 第60-67页 |
| 4.3.1 用于网络结构设计的数据集 | 第60-62页 |
| 4.3.2 卷积神经网络结构设计 | 第62-67页 |
| 4.4 实验与分析 | 第67-72页 |
| 4.4.1 实验平台 | 第68页 |
| 4.4.2 实验数据集 | 第68页 |
| 4.4.3 实验结果与分析 | 第68-72页 |
| 4.5 本章小结 | 第72-74页 |
| 第5章 总结和展望 | 第74-77页 |
| 5.1 全文总结 | 第74-75页 |
| 5.2 工作展望 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83页 |