| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-24页 |
| 1.1 课题研究背景与意义 | 第14-15页 |
| 1.1.1 行人检测研究背景 | 第14-15页 |
| 1.1.2 车辆检测研究背景 | 第15页 |
| 1.2 行人检测与车辆检测国内外研究现状 | 第15-18页 |
| 1.2.1 行人检测研究现状 | 第16-17页 |
| 1.2.2 车辆检测研究现状 | 第17-18页 |
| 1.3 深度学习研究现状 | 第18-21页 |
| 1.4 本文主要研究内容与成果 | 第21-24页 |
| 第二章 基于Deepbox预分类的深度卷积网络目标检测方法 | 第24-44页 |
| 2.1 深度卷积网络目标检测框架与感兴趣区域提取 | 第24-29页 |
| 2.1.1 深度卷积网络目标检测框架 | 第24-28页 |
| 2.1.2 感兴趣区域提取 | 第28-29页 |
| 2.2 基于Deepbox预分类的目标检测方法 | 第29-36页 |
| 2.2.1 Deepbox网络框架与预分类算法流程 | 第29-33页 |
| 2.2.2 目标细分类 | 第33-35页 |
| 2.2.3 基于Deepbox预分类的目标检测算法流程 | 第35-36页 |
| 2.3 实验结果与分析 | 第36-42页 |
| 2.3.1 Deepbox网络训练与测试实验结果分析 | 第37-39页 |
| 2.3.2 基于Deepbox预分类区域的细分类实验结果分析 | 第39-42页 |
| 2.4 本章小结 | 第42-44页 |
| 第三章 基于多层区域特征融合的FusionCNN目标检测算法 | 第44-62页 |
| 3.1 基于信息融合的深度卷积神经网络 | 第44-47页 |
| 3.1.1 基于全局信息融合的深度卷积神经网络 | 第44-45页 |
| 3.1.2 基于概率信息融合的深度卷积神经网络 | 第45-47页 |
| 3.2 基于多层区域特征融合的深度卷积神经网络FusionCNN | 第47-56页 |
| 3.2.1 FusionCNN网络结构 | 第47-51页 |
| 3.2.2 BatchNorm归一化 | 第51-54页 |
| 3.2.3 FusionCNN目标检测算法流程 | 第54-56页 |
| 3.3 实验结果与分析 | 第56-59页 |
| 3.3.1 VOC2007FusionCNN目标检测算法实验 | 第56-59页 |
| 3.4 本章小结 | 第59-62页 |
| 第四章 基于Deepbox与FusionCNN的行人检测和车辆检测验证与评估 | 第62-74页 |
| 4.1 智能车辆实车图像数据 | 第62-64页 |
| 4.2 行人检测实验结果与分析 | 第64-71页 |
| 4.2.1 感兴趣区域预分类 | 第65-66页 |
| 4.2.2 FusionCNN行人检测实验结果与分析 | 第66-71页 |
| 4.3 车辆检测实验结果与分析 | 第71-73页 |
| 4.4 本章小结 | 第73-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 5.1 本文工作总结 | 第74-75页 |
| 5.2 研究展望 | 第75-76页 |
| 致谢 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 作者在学期间取得的学术成果 | 第84页 |
