| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及研究意义 | 第9-11页 |
| 1.2 国内外研究状况 | 第11-14页 |
| 1.2.1 目标检测与分类研究现状 | 第11-13页 |
| 1.2.2 场景分类研究现状 | 第13-14页 |
| 1.3 研究内容与结构安排 | 第14-16页 |
| 第二章 基于机器视觉的人与物的检测方法 | 第16-35页 |
| 2.1 引言 | 第16页 |
| 2.2 目标检测的特征方法 | 第16-21页 |
| 2.2.1 SIFT特征 | 第16-18页 |
| 2.2.2 Haar-Like特征 | 第18-19页 |
| 2.2.3 HOG特征 | 第19-21页 |
| 2.3 目标检测的分类器方法 | 第21-24页 |
| 2.3.1 AdaBoost分类器 | 第21-22页 |
| 2.3.2 SVM分类器 | 第22-24页 |
| 2.4 卷积神经网络 | 第24-34页 |
| 2.4.1 卷积神经网络中的基本概念 | 第25-28页 |
| 2.4.2 卷积神经网络特点 | 第28-31页 |
| 2.4.3 卷积神经网络典型应用-LeNet5 | 第31-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于卷积神经网络的室内物体检测与场景识别 | 第35-53页 |
| 3.1 引言 | 第35页 |
| 3.2 卷积神经网络设计 | 第35-36页 |
| 3.3 基于卷积神经网络的室内物体分类 | 第36-47页 |
| 3.3.1 网络结构选择 | 第36-39页 |
| 3.3.2 网络训练 | 第39-40页 |
| 3.3.3 目标分类实验及结果 | 第40-43页 |
| 3.3.4 基于CNN目标检测与基于特征点匹配的目标检测对比 | 第43-47页 |
| 3.4 基于目标检测的室内场景分类 | 第47-52页 |
| 3.4.1 基于概率的场景分类方法设计 | 第47-49页 |
| 3.4.2 RCNN | 第49页 |
| 3.4.3 场景分类实验与分析 | 第49-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于特征分类的室内行人检测 | 第53-64页 |
| 4.1 引言 | 第53页 |
| 4.2 室内行人检测方法 | 第53-56页 |
| 4.2.1 人体检测 | 第54页 |
| 4.2.2 人脸检测 | 第54-55页 |
| 4.2.3 基于移动平台的室内人体检测与算法流程 | 第55-56页 |
| 4.3 室内行人检测实验及结果分析 | 第56-60页 |
| 4.3.1 实验平台软硬件介绍 | 第56-57页 |
| 4.3.2 室内人体检测实验 | 第57-58页 |
| 4.3.3 人脸检测与识别实验 | 第58-60页 |
| 4.4 行人跟踪实验结果 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 本文工作总结 | 第64页 |
| 5.2 工作展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-73页 |
| 附录 | 第73页 |