| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究内容与设计指标 | 第11-12页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 设计指标 | 第12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第二章 行人检测算法综述 | 第14-26页 |
| 2.1 行人检测算法分类 | 第14页 |
| 2.2 基于行人形体外表特征的检测算法 | 第14-18页 |
| 2.2.1 基于Haar特征的行人检测 | 第14-16页 |
| 2.2.2 基于HOG特征的行人检测 | 第16-18页 |
| 2.3 基于卷积神经网络的行人检测算法 | 第18-22页 |
| 2.3.1 卷积神经网络结构 | 第18-20页 |
| 2.3.2 卷积神经网络的训练方法 | 第20-21页 |
| 2.3.3 卷积神经网络在行人检测中的应用 | 第21-22页 |
| 2.4 常用行人数据集及评测标准 | 第22-23页 |
| 2.4.1 常用行人数据集简介 | 第22-23页 |
| 2.4.2 行人检测算法检测精度评测标准 | 第23页 |
| 2.5 本章小结 | 第23-26页 |
| 第三章 基于YOLO的行人检测算法设计 | 第26-40页 |
| 3.1 YOLO行人检测算法 | 第26-31页 |
| 3.1.1 数据集预处理 | 第26-28页 |
| 3.1.2 网络结构 | 第28页 |
| 3.1.3 预测框信息表示形式 | 第28-30页 |
| 3.1.4 损失函数的构成 | 第30-31页 |
| 3.1.5 非极大值抑制算法 | 第31页 |
| 3.2 YOLO_personBNN的设计 | 第31-34页 |
| 3.2.1 二值卷积神经网络的二值化方法及优势 | 第32页 |
| 3.2.2 二值卷积神经网络的训练方法 | 第32-33页 |
| 3.2.3 二值卷积神经网络的卷积操作设计 | 第33-34页 |
| 3.3 YOLO_personMini 的设计 | 第34-39页 |
| 3.3.1 YOLO_personMini 的优化方法 | 第35-36页 |
| 3.3.2 三种网络的性能测试与分析 | 第36-37页 |
| 3.3.3 YOLO_personMini的参数定点化建模仿真 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于YOLO_personMini的Zynq系统设计 | 第40-54页 |
| 4.1 开发平台 | 第40-42页 |
| 4.1.1 MiZ702N 开发板 | 第40页 |
| 4.1.2 Zynq-7000 系列芯片 | 第40-41页 |
| 4.1.3 Vivado开发工具及设计流程 | 第41-42页 |
| 4.2 行人检测的Zynq系统总体设计 | 第42-44页 |
| 4.2.1 模块功能划 | 第42页 |
| 4.2.2 总线互联结构 | 第42-44页 |
| 4.3 PS端的设计 | 第44-47页 |
| 4.3.1 算法移植 | 第44-45页 |
| 4.3.2 DMA中断设计 | 第45页 |
| 4.3.3 收发逻辑设计 | 第45-47页 |
| 4.4 PL端的设计 | 第47-52页 |
| 4.4.1 视频输入模块设计 | 第47-48页 |
| 4.4.2 视频输出模块设计 | 第48-49页 |
| 4.4.3 数据传输模块设计 | 第49-50页 |
| 4.4.4 卷积加速模块设计 | 第50-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 实验结果分析 | 第54-58页 |
| 5.1 实验平台与实验流程 | 第54-55页 |
| 5.2 实验结果分析 | 第55-57页 |
| 5.2.1 功能测试及分析 | 第55-57页 |
| 5.2.2 性能测试及分析 | 第57页 |
| 5.3 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 不足与展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士期间的成果 | 第66页 |
