| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 行人检测的难点 | 第12-14页 |
| 1.3 研究现状 | 第14-16页 |
| 1.4 本文的主要内容 | 第16-17页 |
| 1.5 论文结构安排 | 第17-18页 |
| 第2章 深度学习及行人检测概述 | 第18-38页 |
| 2.1 引言 | 第18-19页 |
| 2.2 人工神经网络 | 第19-24页 |
| 2.2.1 神经元 | 第19-20页 |
| 2.2.2 神经网络 | 第20-22页 |
| 2.2.3 反向传播算法 | 第22-24页 |
| 2.3 卷积神经网络 | 第24-27页 |
| 2.4 基于机器学习的行人检测 | 第27-37页 |
| 2.4.1HOG特征 | 第27-30页 |
| 2.4.2 支持向量机 | 第30-33页 |
| 2.4.3 行人检测评价方法 | 第33-34页 |
| 2.4.4 基于HOG特征的行人检测 | 第34-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 基于区域卷积神经网络的行人检测 | 第38-49页 |
| 3.1 引言 | 第38页 |
| 3.2 卷积神经网络提取特征 | 第38-40页 |
| 3.2.1 Caffe框架介绍 | 第38-39页 |
| 3.2.2 卷积特征提取 | 第39-40页 |
| 3.3 基于区域卷积神经网络的行人检测 | 第40-45页 |
| 3.3.1 行人检测系统框架的设计 | 第41-42页 |
| 3.3.2 基于区域卷积神经网络的行人检测算法实现 | 第42-45页 |
| 3.4 实验结果与分析 | 第45-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 融合Edge Boxes的卷积神经网络的行人检测 | 第49-56页 |
| 4.1 引言 | 第49页 |
| 4.2 选择搜索算法 | 第49-52页 |
| 4.3 Edge Boxes算法 | 第52-54页 |
| 4.4 实验结果与分析 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 基于快速区域卷积神经网络的行人检测 | 第56-63页 |
| 5.1 引言 | 第56-57页 |
| 5.2 Softmax回归 | 第57-58页 |
| 5.3 基于快速区域卷积神经网络的行人检测 | 第58-60页 |
| 5.3.1 行人检测系统框架 | 第58页 |
| 5.3.2 训练与测试 | 第58-60页 |
| 5.4 实验结果与分析 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第6章 总结 | 第63-65页 |
| 6.1 工作总结 | 第63-64页 |
| 6.2 不足与展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 | 第70页 |