基于双波段图像的行人检测算法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究目的与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 可见波段的行人检测 | 第9-11页 |
| 1.2.2 红外波段的行人检测 | 第11-12页 |
| 1.2.3 双波段的行人检测 | 第12-13页 |
| 1.3 论文思路与主要内容 | 第13页 |
| 1.4 论文的组织结构 | 第13-16页 |
| 第2章 行人检测算法理论基础 | 第16-32页 |
| 2.1 行人检测算法概述 | 第16页 |
| 2.2 基于聚合通道特征的行人检测算法 | 第16-22页 |
| 2.2.1 积分通道特征 | 第17-19页 |
| 2.2.2 聚合通道特征 | 第19-21页 |
| 2.2.3 分类器训练 | 第21-22页 |
| 2.3 基于深度卷积神经网络的行人检测 | 第22-30页 |
| 2.3.1 卷积神经网络 | 第22-25页 |
| 2.3.2 R-CNN系列算法 | 第25-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 基于聚合双波段通道特征的行人检测算法 | 第32-44页 |
| 3.1 算法实现 | 第32-37页 |
| 3.1.1 特征通道选择 | 第33-35页 |
| 3.1.2 特征通道滤波 | 第35页 |
| 3.1.3 分类器训练 | 第35-37页 |
| 3.2 实验使用的数据集 | 第37-39页 |
| 3.3 行人检测性能指标 | 第39-40页 |
| 3.4 实验结果与分析 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于双波段卷积神经网络的行人检测算法 | 第44-64页 |
| 4.1 预训练调优 | 第44-52页 |
| 4.1.1 预训练网络模型 | 第44-50页 |
| 4.1.2 预训练数据集 | 第50-52页 |
| 4.2 双波段网络结构搭建 | 第52-56页 |
| 4.2.1 批规范化层 | 第53-54页 |
| 4.2.2 降维层 | 第54-55页 |
| 4.2.3 全局均值池化层 | 第55-56页 |
| 4.3 软硬件环境 | 第56-61页 |
| 4.3.1 硬件平台 | 第56-57页 |
| 4.3.2 软件平台 | 第57-61页 |
| 4.4 实验结果与分析 | 第61-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第5章 总结与展望 | 第64-66页 |
| 5.1 本文工作总结 | 第64页 |
| 5.2 未来工作展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 发表论文和参加科研情况说明 | 第70-72页 |
| 致谢 | 第72页 |
