| 致谢 | 第4-5页 |
| 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10-12页 |
| 1.1.1 课题研究背景 | 第10-11页 |
| 1.1.2 课题研究意义 | 第11-12页 |
| 1.2 汽车ADAS与行人检测的国内外研究现状 | 第12-15页 |
| 1.2.1 汽车ADAS的研究现状 | 第12-13页 |
| 1.2.2 行人检测的研究现状 | 第13-15页 |
| 1.3 汽车ADAS行人检测的难点与数据集 | 第15页 |
| 1.3.1 汽车ADAS行人检测的难点 | 第15页 |
| 1.3.2 行人检测数据集 | 第15页 |
| 1.4 论文主要研究内容及技术路线 | 第15-18页 |
| 1.4.1 研究内容 | 第15-16页 |
| 1.4.2 章节内容安排 | 第16-18页 |
| 1.5 本章小结 | 第18-19页 |
| 2 基于机器视觉的行人检测基本理论 | 第19-36页 |
| 2.1 机器视觉与INRIA-NEW数据集的建立 | 第19-23页 |
| 2.1.1 机器视觉原理 | 第19页 |
| 2.1.2 视觉传感器的选择 | 第19-21页 |
| 2.1.3 INRIA-NEW混合数据集的建立 | 第21-23页 |
| 2.2 行人区域的选择 | 第23页 |
| 2.3 行人特征的提取 | 第23-26页 |
| 2.4 行人特征的识别 | 第26-34页 |
| 2.4.1 自适应增强算法 | 第26页 |
| 2.4.2 支持向量机 | 第26-28页 |
| 2.4.3 卷积神经网络 | 第28-34页 |
| 2.5 行人碰撞预警系统 | 第34-35页 |
| 2.6 本章小结 | 第35-36页 |
| 3 基于深度学习的端到端汽车ADAS行人检测 | 第36-54页 |
| 3.1 Fast R-CNN网络 | 第36-37页 |
| 3.2 Faster R-CNN检测网络的构成 | 第37-40页 |
| 3.2.1 区域建议网络 | 第38页 |
| 3.2.2 锚点机制 | 第38-39页 |
| 3.2.3 ROI池化层 | 第39-40页 |
| 3.2.4 多任务损失函数 | 第40页 |
| 3.3 试验与检测结果分析 | 第40-50页 |
| 3.3.1 行人检测性能评价指标的选取 | 第41-42页 |
| 3.3.2 Faster R-CNN行人检测模型的训练 | 第42-45页 |
| 3.3.3 试验结果及分析 | 第45-50页 |
| 3.4 YOLO检测网络的构成与分析 | 第50-53页 |
| 3.5 本章小结 | 第53-54页 |
| 4 汽车ADAS行人检测模型的优化设计 | 第54-68页 |
| 4.1 YOLO网络模型的优化设计 | 第54-59页 |
| 4.1.1 YOLO-P网络模型的构建 | 第54-56页 |
| 4.1.2 YOLO-Person网络模型的构建 | 第56-59页 |
| 4.2 YOLO网络模型优化方案的确定 | 第59页 |
| 4.3 基于YOLO优化模型的行人检测模型训练 | 第59-62页 |
| 4.3.1 行人检测优化模型的迁移学习 | 第60-61页 |
| 4.3.2 行人检测优化模型的训练细节 | 第61-62页 |
| 4.4 试验与检测结果分析 | 第62-67页 |
| 4.5 本章小结 | 第67-68页 |
| 5 基于优化模型YOLO-Person的行人碰撞预警系统设计 | 第68-88页 |
| 5.1 行人碰撞预警系统概述 | 第68页 |
| 5.2 行人碰撞预警准则与流程的建立 | 第68-72页 |
| 5.2.1 行人碰撞预警准则的提出 | 第68-72页 |
| 5.2.2 PCW系统工作流程的制定 | 第72页 |
| 5.3 行人碰撞预警系统的设计 | 第72-84页 |
| 5.3.1 图像采集与预处理模块 | 第73-76页 |
| 5.3.2 行人检测模块 | 第76-80页 |
| 5.3.3 行人测距模块 | 第80-84页 |
| 5.3.4 预警提示模块 | 第84页 |
| 5.4 车载视频行人检测的试验 | 第84-87页 |
| 5.5 本章小结 | 第87-88页 |
| 6 总结与展望 | 第88-91页 |
| 6.1 总结 | 第88-89页 |
| 6.2 展望 | 第89-91页 |
| 参考文献 | 第91-95页 |