基于图像的行人检测算法研究
| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究背景和研究意义 | 第11-12页 |
| 1.2 行人检测的研究现状 | 第12-20页 |
| 1.3 研究难点和研究趋势 | 第20-21页 |
| 1.4 本文的主要研究点 | 第21-22页 |
| 1.5 章节安排 | 第22-23页 |
| 第二章 相关工作 | 第23-39页 |
| 2.1 与行人检测相关的特征 | 第23-32页 |
| 2.1.1 LBP特征 | 第23-25页 |
| 2.1.2 Haar-like特征 | 第25-27页 |
| 2.1.3 HOG特征 | 第27-29页 |
| 2.1.4 深度卷积特征 | 第29-32页 |
| 2.2 行人检测中使用的分类器 | 第32-36页 |
| 2.2.1 提升模型(Boosting) | 第32-33页 |
| 2.2.2 支持向量机(SVM) | 第33-35页 |
| 2.2.3 随机森林(RandomForest) | 第35-36页 |
| 2.2.4 神经网络 | 第36页 |
| 2.3 数据集 | 第36-39页 |
| 2.3.1 MIT数据集 | 第36-37页 |
| 2.3.2 INRIA数据集 | 第37页 |
| 2.3.3 Caltech数据集 | 第37-38页 |
| 2.3.4 KITTI数据集 | 第38-39页 |
| 第三章 由粗到细的候选区域生成框架 | 第39-57页 |
| 3.1 传统候选区域生成算法的原理 | 第39-42页 |
| 3.1.1 SelectiveSearch | 第39-41页 |
| 3.1.2 EdgeBoxes | 第41-42页 |
| 3.2 由粗到细的候选区域生成框架 | 第42-46页 |
| 3.2.1 候选框的几何特征 | 第42-44页 |
| 3.2.2 贝叶斯概率模型 | 第44-46页 |
| 3.2.3 由粗到细的候选区域生成框架 | 第46页 |
| 3.3 候选区域生成实验及结果分析 | 第46-50页 |
| 3.4 行人检测实验及结果分析 | 第50-55页 |
| 3.4.1 FastR-CNN | 第50-51页 |
| 3.4.2 行人检测实验结果 | 第51-53页 |
| 3.4.3 实验结果展示 | 第53-55页 |
| 3.5 本章小结 | 第55-57页 |
| 第四章 基于RPN的行人检测方法 | 第57-71页 |
| 4.1 RPN的意义 | 第57-58页 |
| 4.2 行人检测网络的部件 | 第58-62页 |
| 4.2.1 卷积层 | 第58页 |
| 4.2.2 ReLU层 | 第58-60页 |
| 4.2.3 MaxPooling层 | 第60页 |
| 4.2.4 RoIPooling层 | 第60-61页 |
| 4.2.5 全连接层 | 第61-62页 |
| 4.3 改进的行人检测网络模型 | 第62-67页 |
| 4.3.1 多层次候选区域采集 | 第64-65页 |
| 4.3.2 多子区域联合损失函数 | 第65-66页 |
| 4.3.3 多层次卷积特征融合 | 第66-67页 |
| 4.4 行人检测实验结果分析 | 第67-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 研究工作总结 | 第71页 |
| 5.2 不足与展望 | 第71-73页 |
| 致谢 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 作者在学期间取得的学术成果 | 第79-81页 |
| 附录 部分核心代码 | 第81-88页 |
