| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 缩略语 | 第14-15页 |
| 第1章 绪论 | 第15-19页 |
| 1.1 课题研究背景和研究意义 | 第15-17页 |
| 1.1.1 研究背景 | 第15-16页 |
| 1.1.2 研究意义 | 第16-17页 |
| 1.2 论文的主要工作和结构安排 | 第17-19页 |
| 第2章 行人检测与深度学习综述 | 第19-39页 |
| 2.1 引言 | 第19页 |
| 2.2 行人检测研究综述 | 第19-29页 |
| 2.2.1 行人检测技术概述 | 第19-20页 |
| 2.2.2 方向梯度直方图 | 第20-21页 |
| 2.2.3 支持向量机基本原理 | 第21-25页 |
| 2.2.4 决策树基本原理 | 第25-27页 |
| 2.2.5 行人检测数据库与评价体系 | 第27-29页 |
| 2.3 深度学习研究综述 | 第29-38页 |
| 2.3.1 深度学习技术概述 | 第29-34页 |
| 2.3.2 人工神经网络与BP算法 | 第34-37页 |
| 2.3.3 卷积神经网络基本原理 | 第37-38页 |
| 2.3.4 深度模型的优势 | 第38页 |
| 2.4 本章小结 | 第38-39页 |
| 第3章 基于深度学习和逐步迁移策略的行人检测算法研究 | 第39-51页 |
| 3.1 引言 | 第39页 |
| 3.2 VGG网络和残差网络 | 第39-42页 |
| 3.2.1 VGG网络 | 第39-40页 |
| 3.2.2 残差网络 | 第40-42页 |
| 3.3 Faster R-CNN目标检测算法 | 第42-44页 |
| 3.4 基于深度学习和逐步迁移策略的行人检测算法 | 第44-50页 |
| 3.4.1 逐步迁移策略 | 第44-45页 |
| 3.4.2 系统架构 | 第45页 |
| 3.4.3 模型训练 | 第45-48页 |
| 3.4.3.1 分类模型训练 | 第46页 |
| 3.4.3.2 检测模型训练 | 第46-48页 |
| 3.4.4 模型测试 | 第48页 |
| 3.4.5 实验结果与分析 | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 基于候选区域网络和级联Boosting森林的行人检测算法研究 | 第51-63页 |
| 4.1 引言 | 第51页 |
| 4.2 集成学习和Adaboost算法 | 第51-53页 |
| 4.3 行人检测的个性问题 | 第53页 |
| 4.4 基于候选区域网络和级联Boosting森林的行人检测算法 | 第53-62页 |
| 4.4.1 系统架构 | 第53-55页 |
| 4.4.2 模型训练 | 第55-57页 |
| 4.4.2.1 RPN训练 | 第56页 |
| 4.4.2.2 特征选择与特征融合 | 第56页 |
| 4.4.2.3 级联Boosting森林训练 | 第56-57页 |
| 4.4.3 模型测试 | 第57-58页 |
| 4.4.4 实验结果与分析 | 第58-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 基于多尺度候选区域网络的行人检测算法研究 | 第63-75页 |
| 5.1 引言 | 第63页 |
| 5.2 行人检测的多尺度问题 | 第63-64页 |
| 5.3 常见的多尺度问题解决方案 | 第64-65页 |
| 5.4 基于多尺度候选区域网络的行人检测算法 | 第65-74页 |
| 5.4.1 系统架构 | 第65-67页 |
| 5.4.2 设计与实施细节 | 第67-69页 |
| 5.4.2.1 数据增强 | 第68页 |
| 5.4.2.2 锚点与采样 | 第68页 |
| 5.4.2.3 CNN特征图估计 | 第68-69页 |
| 5.4.2.4 图像上下文信息 | 第69页 |
| 5.4.2.5 级联Boosting森林 | 第69页 |
| 5.4.3 实验结果与分析 | 第69-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 6.1 全文总结 | 第75-76页 |
| 6.2 工作展望 | 第76-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 攻读硕士学位期间的研究成果 | 第83页 |
