| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 行人检测研究现状 | 第11-12页 |
| 1.2.2 行人检测研究难点 | 第12-13页 |
| 1.3 论文组织结构安排 | 第13-15页 |
| 2 相关基础知识 | 第15-29页 |
| 2.1 行人检测公共数据集 | 第15-16页 |
| 2.2 特征提取 | 第16-21页 |
| 2.2.1 HOG特征 | 第16-17页 |
| 2.2.2 特征金字塔 | 第17-18页 |
| 2.2.3 可变形部件模型 | 第18-19页 |
| 2.2.4 卷积神经网络 | 第19-21页 |
| 2.3 分类器的选择 | 第21-24页 |
| 2.3.1 支持向量机 | 第21-22页 |
| 2.3.2 Softmax分类器 | 第22-24页 |
| 2.4 区域推荐算法 | 第24-25页 |
| 2.5 非极大值抑制算法 | 第25-26页 |
| 2.6 图像分割算法 | 第26-28页 |
| 2.6.1 传统图像分割算法 | 第27-28页 |
| 2.6.2 基于神经网络的分割方法 | 第28页 |
| 2.7 本章小结 | 第28-29页 |
| 3 基于MaskRCNN的行人检测设计 | 第29-51页 |
| 3.1 引言 | 第29页 |
| 3.2 MaskRCNN算法介绍 | 第29-31页 |
| 3.3 行人数据集选择与算法性能评价方法 | 第31-34页 |
| 3.4 训练集的选择 | 第34页 |
| 3.5 基于MaskRCNN方法的行人检测网络结构设计 | 第34-43页 |
| 3.5.1 特征提取网络设计 | 第34-37页 |
| 3.5.2 区域推荐网络设计 | 第37-40页 |
| 3.5.3 候选窗口分类、分割处理设计 | 第40-42页 |
| 3.5.4 损失函数设计 | 第42-43页 |
| 3.6 网络超参设置 | 第43-44页 |
| 3.7 实验分析 | 第44-47页 |
| 3.8 行人检测算法的优化 | 第47-50页 |
| 3.9 本章小结 | 第50-51页 |
| 4 基于多特征融合的行人检测方法 | 第51-57页 |
| 4.1 引言 | 第51页 |
| 4.2 融合图像分割特征的目标检测网络设计 | 第51-55页 |
| 4.2.1 网络结构设计 | 第51-52页 |
| 4.2.2 图像分割网络介绍 | 第52-55页 |
| 4.3 实验分析 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 总结与展望 | 第57-58页 |
| 5.1 论文总结 | 第57页 |
| 5.2 研究展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士期间发表学术论文情况 | 第61-62页 |
| 致谢 | 第62页 |