基于迁移学习的视觉行人检测方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.2 行人检测的国内外研究现状及存在问题 | 第12-15页 |
| 1.2.1 行人检测的研究现状 | 第12-13页 |
| 1.2.2 基于迁移学习的行人检测研究现状 | 第13-15页 |
| 1.2.3 行人检测存在的问题 | 第15页 |
| 1.3 文章的研究内容及组织安排 | 第15-17页 |
| 第2章 行人检测相关技术 | 第17-26页 |
| 2.1 运动区域目标提取 | 第17-20页 |
| 2.1.1 背景差分法 | 第17-19页 |
| 2.1.2 光流法 | 第19-20页 |
| 2.1.3 帧差法 | 第20页 |
| 2.2 常用图像特征提取方法 | 第20-25页 |
| 2.2.1 HOG特征 | 第21-22页 |
| 2.2.2 LBP特征 | 第22-23页 |
| 2.2.3 NNF特征 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 基于稀疏编码和背景差分的迁移学习行人检测 | 第26-49页 |
| 3.1 稀疏编码和字典学习理论 | 第26-31页 |
| 3.1.1 稀疏编码 | 第27页 |
| 3.1.2 字典学习 | 第27-31页 |
| 3.2 目标样本的检测 | 第31-35页 |
| 3.2.1 联合HOG和 LBP进行特征提取 | 第31-33页 |
| 3.2.2 基于背景差分获取运动样本 | 第33-35页 |
| 3.2.3 筛选目标模板 | 第35页 |
| 3.3 基于稀疏编码获取训练样本权重 | 第35-40页 |
| 3.3.1 分配目标样本权重 | 第35-38页 |
| 3.3.2 选择和加权源样本 | 第38-40页 |
| 3.4 检测器的设计 | 第40-43页 |
| 3.4.1 迁移学习 | 第40-41页 |
| 3.4.2 基于稀疏编码的迁移学习检测器 | 第41-43页 |
| 3.5 实验结果与分析 | 第43-48页 |
| 3.5.1 行人数据库 | 第43-44页 |
| 3.5.2 字典学习对图像表示的影响 | 第44-45页 |
| 3.5.3 加权方法对检测效果的影响分析 | 第45-47页 |
| 3.5.4 TLSCBS算法性能分析 | 第47-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 基于深度稀疏自编码网络的迁移学习算法 | 第49-68页 |
| 4.1 基于NNF的感兴趣层设计 | 第49-51页 |
| 4.2 基于深度稀疏自编码网络的训练过程 | 第51-57页 |
| 4.2.1 自动编码器 | 第51-53页 |
| 4.2.2 S-DSAEN的训练过程 | 第53-57页 |
| 4.3 DSAEN的迁移学习 | 第57-59页 |
| 4.4 实验结果与分析 | 第59-67页 |
| 4.4.1 数据库和实验平台 | 第59-60页 |
| 4.4.2 感兴趣层算法设计 | 第60-62页 |
| 4.4.3 网络调整参数设计 | 第62-63页 |
| 4.4.4 时间复杂度分析 | 第63页 |
| 4.4.5 DSAEN算法性能分析 | 第63-67页 |
| 4.5 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间所发表的学术论文 | 第76-77页 |
| 致谢 | 第77页 |
