基于卷积神经网络的小目标行人检测研究
| 摘要 | 第7-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 基于深度学习的图像检测背景 | 第13-14页 |
| 1.2 卷积神经网络的国内外研究现状 | 第14-16页 |
| 1.3 行人检测的研究背景与挑战 | 第16-17页 |
| 1.4 研究内容与创新点 | 第17-18页 |
| 1.5 结构安排 | 第18-19页 |
| 第2章 主流行人检测方法概述 | 第19-34页 |
| 2.1 传统行人检测方法 | 第19-20页 |
| 2.2 基于DPM的行人检测方法 | 第20页 |
| 2.3 基于头肩部特征的行人检测方法 | 第20-21页 |
| 2.4 基于立体特征的行人检测方法 | 第21-22页 |
| 2.5 基于深度学习的行人检测方法 | 第22-30页 |
| 2.5.1 人工神经网络的概念 | 第23-24页 |
| 2.5.2 卷积神经网络的概念 | 第24页 |
| 2.5.3 卷积神经网络的结构 | 第24-29页 |
| 2.5.4 卷积神经网络的组成特点 | 第29-30页 |
| 2.5.5 卷积神经网络的检测流程 | 第30页 |
| 2.6 行人公共数据库 | 第30-31页 |
| 2.7 行人检测评估标准 | 第31-33页 |
| 2.8 本章小结 | 第33-34页 |
| 第3章 基于卷积神经网络模型的检测方法 | 第34-47页 |
| 3.1 基于候选区域的卷积神经网络模型 | 第34-39页 |
| 3.1.1 RCNN | 第34-35页 |
| 3.1.2 Fast-RCNN | 第35-37页 |
| 3.1.3 Faster-RCNN | 第37-39页 |
| 3.2 基于回归方法的卷积神经网络模型 | 第39-42页 |
| 3.2.1 YOLO | 第39-41页 |
| 3.2.2 SSD | 第41-42页 |
| 3.3 基于卷积神经网络的检测方法对比 | 第42-44页 |
| 3.4 实验配置和检测结果分析 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 改进卷积网络的小目标行人检测 | 第47-58页 |
| 4.1 数据采集和样本库的构建 | 第47-48页 |
| 4.2 数据预处理 | 第48-49页 |
| 4.2.1 中值滤波 | 第48页 |
| 4.2.2 对比度增强 | 第48-49页 |
| 4.3 基于YOLO模型的改进方法 | 第49-54页 |
| 4.3.1 克罗内克积上采样 | 第50-52页 |
| 4.3.2 分块区域提取 | 第52页 |
| 4.3.3 特征图提取与检测 | 第52-54页 |
| 4.4 实验结果分析 | 第54-56页 |
| 4.4.1 克罗内克上采样图像 | 第54页 |
| 4.4.2 分块检测结果 | 第54-55页 |
| 4.4.3 数据结果分析 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 总结与展望 | 第58-60页 |
| 本文工作总结 | 第58-59页 |
| 后续工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第65页 |
