基于双人体可变形部件模型的深层人体检测
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究发展现状 | 第10-13页 |
| 1.2.1 基于底层的特征提取 | 第10-12页 |
| 1.2.2 基于组合特征的特征提取 | 第12页 |
| 1.2.3 基于深度学习的特征提取 | 第12-13页 |
| 1.3 现阶段存在的问题 | 第13-14页 |
| 1.4 本文主要工作及安排 | 第14-17页 |
| 1.4.1 主要工作内容 | 第14-15页 |
| 1.4.2 本文组织结构 | 第15-17页 |
| 第2章 可变形部件模型和深层模型的基本原理 | 第17-30页 |
| 2.1 人体检测算法流程 | 第17页 |
| 2.2 可变形部件模型及人体检测 | 第17-23页 |
| 2.2.1 检测算法概述 | 第17-19页 |
| 2.2.2 可变形部件模型 | 第19-20页 |
| 2.2.3 负样本难例 | 第20-21页 |
| 2.2.4 模型训练过程 | 第21-22页 |
| 2.2.5 模型匹配过程 | 第22-23页 |
| 2.3 深层模型及人体检测 | 第23-28页 |
| 2.3.1 检测算法概述 | 第23-24页 |
| 2.3.2 深层模型 | 第24-27页 |
| 2.3.3 模型训练及匹配过程 | 第27-28页 |
| 2.4 模型在人体检测中的应用 | 第28-30页 |
| 第3章 图像样本预处理及评价方法 | 第30-37页 |
| 3.1 图像数据库简介 | 第30-32页 |
| 3.1.1 INRIA数据库 | 第30-31页 |
| 3.1.2 Caltech-USA数据库 | 第31-32页 |
| 3.2 数据库预处理 | 第32-34页 |
| 3.2.1 单人体训练集 | 第32-33页 |
| 3.2.2 双人体训练集 | 第33-34页 |
| 3.3 评价方法 | 第34-36页 |
| 3.3.1 混淆矩阵 | 第34-35页 |
| 3.3.2 ROC曲线 | 第35页 |
| 3.3.3 DET曲线 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于双人体可变形部件模型的人体检测算法 | 第37-48页 |
| 4.1 检测算法概述 | 第37-38页 |
| 4.2 模型训练 | 第38-41页 |
| 4.2.1 特征金字塔尺度 | 第38-39页 |
| 4.2.2 结果分析 | 第39-41页 |
| 4.3 模型匹配及融合 | 第41-43页 |
| 4.3.1 模型匹配 | 第41-42页 |
| 4.3.2 分区域匹配结果融合 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-46页 |
| 4.4.1 阈值调节实验 | 第44页 |
| 4.4.2 算法对比实验 | 第44-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第5章 基于双人体深层模型的人体检测算法 | 第48-57页 |
| 5.1 检测算法概述 | 第48-49页 |
| 5.2 模型训练 | 第49-51页 |
| 5.2.1 图像预处理 | 第49-50页 |
| 5.2.2 双人体拆分及部件组合 | 第50-51页 |
| 5.2.3 卷积神经网络结构 | 第51页 |
| 5.3 检测窗口的确认与判别 | 第51-53页 |
| 5.3.1 窗口组成 | 第51-52页 |
| 5.3.2 窗口确认 | 第52-53页 |
| 5.4 实验结果与分析 | 第53-56页 |
| 5.4.1 阈值调节实验 | 第53-54页 |
| 5.4.2 算法对比实验 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64页 |
