| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 本文主要内容及结构安排 | 第12-13页 |
| 1.3.1 本文主要的研究内容 | 第12页 |
| 1.3.2 论文的结构安排 | 第12-13页 |
| 1.4 本章小结 | 第13-15页 |
| 2 系统总体设计 | 第15-25页 |
| 2.1 硬件平台架构 | 第15-21页 |
| 2.1.1 Jetson TK1平台介绍 | 第16-17页 |
| 2.1.2 基于Jetson TK1的GPU和CPU加速 | 第17-19页 |
| 2.1.3 基于CUDA编程模型的GPU加速 | 第19-21页 |
| 2.2 软件平台架构 | 第21-23页 |
| 2.2.1 Caffe深度学习框架介绍 | 第21-22页 |
| 2.2.2 Caffe的环境搭建 | 第22-23页 |
| 2.3 本章小结 | 第23-25页 |
| 3 行人检测算法的研究 | 第25-41页 |
| 3.1 HOG+SVM的行人检测算法 | 第25-30页 |
| 3.1.1 SVM分类 | 第25-28页 |
| 3.1.2 HOG特征提取 | 第28-30页 |
| 3.2 基于卷积神经网络的行人检测算法 | 第30-38页 |
| 3.2.1 深度学习介绍 | 第30-32页 |
| 3.2.2 卷积神经网络原理 | 第32页 |
| 3.2.3 输入层 | 第32页 |
| 3.2.4 卷积层 | 第32-33页 |
| 3.2.5 激活函数 | 第33-34页 |
| 3.2.6 抽样层 | 第34页 |
| 3.2.7 输出层 | 第34页 |
| 3.2.8 基于反向传播算法的网络训练 | 第34-38页 |
| 3.3 行人检测数据库 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 4 行人检测算法的实现 | 第41-53页 |
| 4.1 HOG+SVM的行人检测算法 | 第41-45页 |
| 4.1.1 窗口融合 | 第42-44页 |
| 4.1.2 行人检测结果 | 第44-45页 |
| 4.2 卷积神经网络模型的设计 | 第45-52页 |
| 4.2.1 网络结构总体设计 | 第45-49页 |
| 4.2.2 模型训练 | 第49-51页 |
| 4.2.3 实验检测结果 | 第51-52页 |
| 4.3 本章小结 | 第52-53页 |
| 5 行人检测系统的性能分析 | 第53-59页 |
| 5.1 实验环境说明 | 第53-54页 |
| 5.2 行人检测评价标准 | 第54-55页 |
| 5.3 检测性能结果 | 第55-58页 |
| 5.4 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 全文总结 | 第59页 |
| 6.2 课题展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 作者攻读学位期间发表学术论文清单 | 第67-69页 |
| 致谢 | 第69页 |