| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景和意义 | 第10-13页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 题目来源 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 第二章 人工神经网络和卷积神经网络 | 第18-29页 |
| 2.1 人工神经元简介 | 第18-22页 |
| 2.1.1 单个神经元 | 第18-20页 |
| 2.1.2 多层前馈神经网络 | 第20-22页 |
| 2.2 卷积神经网络 | 第22-25页 |
| 2.2.1 卷积神经网络的整体结构 | 第23页 |
| 2.2.2 局部感知 | 第23-24页 |
| 2.2.3 权值共享 | 第24-25页 |
| 2.3 卷积神经网络的理论推导 | 第25-28页 |
| 2.3.1 前向传播 | 第25-26页 |
| 2.3.2 反向传播 | 第26-27页 |
| 2.3.3 Softmax回归 | 第27-28页 |
| 2.3.4 过拟合与欠拟合 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于卷积神经网络的图像识别 | 第29-47页 |
| 3.1 待检测图像的预处理 | 第29-33页 |
| 3.1.1 HOG简介 | 第29-30页 |
| 3.1.2 基于HOG+SVM的目标定位的主要思想 | 第30-31页 |
| 3.1.3 基于HOG+SVM的行人检测算法设计与实现 | 第31-32页 |
| 3.1.4 行人图像的分割 | 第32-33页 |
| 3.2 卷积神经网络的设计及参数优化 | 第33-41页 |
| 3.2.1 网络结构及参数设定分析 | 第33-35页 |
| 3.2.2 损失函数的优化 | 第35-36页 |
| 3.2.3 正则化约束 | 第36-37页 |
| 3.2.4 激活函数的优化 | 第37-40页 |
| 3.2.5 DropConnect | 第40-41页 |
| 3.3 卷积神经网络的整体结构 | 第41-42页 |
| 3.4 数据集构建 | 第42页 |
| 3.5 实验结果与分析 | 第42-46页 |
| 3.5.1 实验环境与参数 | 第43页 |
| 3.5.2 卷积神经网络的训练过程 | 第43-44页 |
| 3.5.3 不同数量特征图结果对比 | 第44-45页 |
| 3.5.4 不同分类器的对比 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 安全检测系统的设计与实现 | 第47-61页 |
| 4.1 需求分析 | 第47-48页 |
| 4.2 功能分析 | 第48页 |
| 4.3 实时计算系统的设计与实现 | 第48-57页 |
| 4.3.1 系统整体框架设计 | 第48-50页 |
| 4.3.2 图像采集模块 | 第50-51页 |
| 4.3.3 实时识别模块 | 第51-53页 |
| 4.3.4 Web服务器 | 第53-57页 |
| 4.4 系统运行环境 | 第57-58页 |
| 4.5 系统测试 | 第58页 |
| 4.6 性能优化 | 第58-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-65页 |
| 附录1 攻读硕士学位期间申请的专利 | 第65-66页 |
| 致谢 | 第66页 |