基于卷积神经网络的行人检测与识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-14页 |
| 1.1.1 国内外的研究现状 | 第12页 |
| 1.1.2 行人目标检测与识别研究现状综述 | 第12-13页 |
| 1.1.3 卷积神经网络研究现状 | 第13-14页 |
| 1.2 行人检测研究难点 | 第14-16页 |
| 1.3 本文的主要工作 | 第16-18页 |
| 1.3.1 本文主要工作包括 | 第17页 |
| 1.3.2 本文主要创新点 | 第17-18页 |
| 1.4 本文内容结构 | 第18-19页 |
| 2 行人检测与深度学习相关基础理论与技术 | 第19-40页 |
| 2.1 基于运动特征的行人检测算法 | 第19-24页 |
| 2.1.1 帧间差分法 | 第19-21页 |
| 2.1.2 光流法 | 第21-22页 |
| 2.1.3 高斯背景建模法 | 第22-24页 |
| 2.2 基于行人特征的行人检测算法 | 第24-33页 |
| 2.2.1 颜色特征 | 第24-27页 |
| 2.2.2 Edgelet特征 | 第27-28页 |
| 2.2.3 Haar特征 | 第28-31页 |
| 2.2.4 HOG特征 | 第31-33页 |
| 2.3 深度学习与卷积神经网络 | 第33-38页 |
| 2.3.1 深度学习的理论基础 | 第33页 |
| 2.3.2 深度学习的训练过程 | 第33-34页 |
| 2.3.3 卷积神经网络 | 第34-36页 |
| 2.3.4 卷积神经网络案例 | 第36-38页 |
| 2.3.5 卷积神经网络的优点 | 第38页 |
| 2.4 本章小结 | 第38-40页 |
| 3 基于CNN的行人检测方法 | 第40-50页 |
| 3.1 构建行人检测的样本库 | 第41-42页 |
| 3.2 标定检测样本图像 | 第42-43页 |
| 3.3 构建CNN行人检测网络结构 | 第43-44页 |
| 3.4 CNN训练行人检测结果 | 第44-49页 |
| 3.5 本章小结 | 第49-50页 |
| 4 基于CNN的行人识别方法 | 第50-61页 |
| 4.1 构建行人识别样本库 | 第51-52页 |
| 4.2 标定识别样本图像 | 第52-53页 |
| 4.3 构建CNN行人识别网络结构 | 第53-55页 |
| 4.4 CNN训练行人识别结果 | 第55-60页 |
| 4.5 本章小结 | 第60-61页 |
| 5 全文总结展望 | 第61-63页 |
| 5.1 全文总结 | 第61-62页 |
| 5.2 未来展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66页 |
