| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第8-12页 |
| 1.1 课题背景 | 第8-9页 |
| 1.2 课题难点 | 第9-10页 |
| 1.2.1 验证码识别 | 第9页 |
| 1.2.2 行人检测 | 第9-10页 |
| 1.3 本文工作 | 第10-11页 |
| 1.3.1 基于神经网络的验证码识别 | 第10页 |
| 1.3.2 基于深度学习的行人检测 | 第10-11页 |
| 1.4 本文的组织结构 | 第11页 |
| 1.5 本章小结 | 第11-12页 |
| 2 理论概述 | 第12-23页 |
| 2.1 目标检测与识别技术概述 | 第12-16页 |
| 2.1.1 图像特征 | 第12-14页 |
| 2.1.2 分类器 | 第14-16页 |
| 2.2 人工神经网络概述 | 第16-22页 |
| 2.2.1 人工神经网络的特点 | 第16页 |
| 2.2.2 BP神经网络 | 第16-18页 |
| 2.2.3 卷积神经网络 | 第18-22页 |
| 2.3 本章小结 | 第22-23页 |
| 3 基于神经网络的验证码识别 | 第23-38页 |
| 3.1 研究背景 | 第23-24页 |
| 3.2 图像预处理 | 第24-27页 |
| 3.3 字符分割 | 第27-30页 |
| 3.4 字符识别 | 第30-37页 |
| 3.4.1 采用BP神经网络进行字符识别 | 第31-34页 |
| 3.4.2 采用CNN进行字符识别 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 基于深度学习的行人检测 | 第38-60页 |
| 4.1 研究背景 | 第38-39页 |
| 4.2 采用在线高斯模型快速生成行人检测候选框（OL_GMPG） | 第39-54页 |
| 4.2.1 OL_GMPG的原理 | 第39-41页 |
| 4.2.2 OL_GMPG的实现 | 第41-42页 |
| 4.2.3 测试结果及分析 | 第42-54页 |
| 4.3 采用CNN进行行人检测 | 第54-59页 |
| 4.3.1 网络结构描述 | 第54-56页 |
| 4.3.2 测试结果及分析 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 5 总结及展望 | 第60-62页 |
| 5.1 工作总结 | 第60页 |
| 5.2 未来展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 附录 | 第65页 |
| A 作者在攻读硕士学位期间的研究成果 | 第65页 |