| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 行人检测难点以及研究现状 | 第9-12页 |
| 1.3 本课题的研究内容与组织架构 | 第12-13页 |
| 第二章 行人检测技术综述 | 第13-29页 |
| 2.1 传统行人检测算法概述 | 第13-17页 |
| 2.1.1 基于全局特征的方法 | 第14-16页 |
| 2.1.2 基于人体部件的方法 | 第16-17页 |
| 2.2 基于深度学习的检测算法概述 | 第17-28页 |
| 2.2.1 基于区域建议的检测方法 | 第17-21页 |
| 2.2.2 基于学习搜索的检测方法 | 第21-23页 |
| 2.2.3 基于回归的检测方法 | 第23-28页 |
| 2.3 本章总结 | 第28-29页 |
| 第三章 基于稠密网络的改进检测网络模型设计 | 第29-38页 |
| 3.1 两种网络结构比较分析 | 第29-32页 |
| 3.1.1 ResNet | 第29-30页 |
| 3.1.2 DenseNet | 第30-32页 |
| 3.2 基于DSSD与稠密网络的改进算法设计 | 第32-35页 |
| 3.2.1 骨干网络设计 | 第32-33页 |
| 3.2.2 预测模块设计 | 第33-35页 |
| 3.3 实验结果及分析 | 第35-37页 |
| 3.3.1 实验环境 | 第35页 |
| 3.3.2 训练方法 | 第35页 |
| 3.3.3 测试结果 | 第35-37页 |
| 3.4 本章总结 | 第37-38页 |
| 第四章 针对小目标检测的算法设计 | 第38-48页 |
| 4.1 反卷积模块改进设计 | 第38-39页 |
| 4.2 针对行人的不同宽高比预选框设计 | 第39-43页 |
| 4.2.1 检测网络预选框相关研究 | 第39-41页 |
| 4.2.2 适用于行人检测的预选框设计 | 第41-43页 |
| 4.3 实验结果及分析 | 第43-47页 |
| 4.3.1 改进的反卷积模块对检测性能的影响 | 第44-45页 |
| 4.3.2 优化的预选框对实验的影响 | 第45页 |
| 4.3.3 实验速度 | 第45-46页 |
| 4.3.4 在INRIA-E-C-N数据集上的实验结果 | 第46页 |
| 4.3.5 检测结果可视化 | 第46-47页 |
| 4.4 本章总结 | 第47-48页 |
| 第五章 结论与展望 | 第48-49页 |
| 5.1 主要结论 | 第48页 |
| 5.2 研究展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 在学期间的研究成果 | 第52-53页 |
| 致谢 | 第53页 |