| 论文创新点 | 第5-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 1 绪论 | 第14-38页 |
| 1.1 引言 | 第14-15页 |
| 1.2 选题背景及意义 | 第15-18页 |
| 1.3 机器学习概述 | 第18-21页 |
| 1.3.1 监督学习、无监督学习与半监督学习 | 第18-20页 |
| 1.3.2 隔离学习与端到端学习 | 第20页 |
| 1.3.3 浅层学习与深度学习 | 第20-21页 |
| 1.4 行人检测概述 | 第21-29页 |
| 1.4.1 数据来源 | 第22-23页 |
| 1.4.2 研究方法 | 第23-25页 |
| 1.4.3 行人特征算子 | 第25-27页 |
| 1.4.4 行人检测主要数据集 | 第27-29页 |
| 1.5 行人检测面临的挑战 | 第29-32页 |
| 1.6 国内外研究现状 | 第32-35页 |
| 1.6.1 各类方法总结分析 | 第32-34页 |
| 1.6.2 实际应用现状 | 第34-35页 |
| 1.7 本文研究内容和章节安排 | 第35-38页 |
| 2 静态图像行人检测关键技术 | 第38-62页 |
| 2.1 引言 | 第38页 |
| 2.2 行人候选区域搜索策略 | 第38-40页 |
| 2.2.1 滑动窗口遍历法(Sliding Windows) | 第38-39页 |
| 2.2.2 超越滑动窗口法(Beyond Sliding Windows) | 第39页 |
| 2.2.3 目标推荐法(Object Proposal) | 第39-40页 |
| 2.3 行人特征模型 | 第40-47页 |
| 2.3.1 刚性模型(Rigid Model) | 第40-43页 |
| 2.3.2 可形变模型(Deformable Model) | 第43-47页 |
| 2.4 基于特征的机器学习方法 | 第47-57页 |
| 2.4.1 支持向量机(SVM) | 第47-51页 |
| 2.4.2 隐变量SVM(LatSVM) | 第51-53页 |
| 2.4.3 卷积神经网络(CNN) | 第53-57页 |
| 2.5 目标定位方法 | 第57-58页 |
| 2.5.1 非极大值抑制(NMS) | 第57页 |
| 2.5.2 轮廓预测(Bounding-box Prediction) | 第57-58页 |
| 2.6 性能评价标准 | 第58-61页 |
| 2.6.1 评价参数 | 第58-59页 |
| 2.6.2 评价曲线 | 第59-61页 |
| 2.7 本章总结 | 第61-62页 |
| 3 联合改进的HOG与自适应LBP的快速行人检测 | 第62-80页 |
| 3.1 引言 | 第62-63页 |
| 3.2 基于机器学习的目标推荐法 | 第63-66页 |
| 3.2.1 二值赋范梯度(BING) | 第63-64页 |
| 3.2.2 二值赋范梯度哈希(BINGH) | 第64-66页 |
| 3.3 HOG-ALBP行人检测算子 | 第66-69页 |
| 3.3.1 改进的HOG算子 | 第66-67页 |
| 3.3.2 改进的自适应LBP算子(ALBP) | 第67-68页 |
| 3.3.3 HOG-ALBP联合算子 | 第68-69页 |
| 3.4 实验方法 | 第69-71页 |
| 3.4.1 训练过程 | 第69-70页 |
| 3.4.2 检测过程 | 第70-71页 |
| 3.5 实验结果与分析 | 第71-78页 |
| 3.5.1 实验平台 | 第71-72页 |
| 3.5.2 实验数据集 | 第72页 |
| 3.5.3 实验细节 | 第72-73页 |
| 3.5.4. 关键参数选择 | 第73-74页 |
| 3.5.5 检测效果比较 | 第74-78页 |
| 3.5.6 检测时间比较 | 第78页 |
| 3.6 本章总结 | 第78-80页 |
| 4 联合概率聚合分割与感知哈希的行人检测 | 第80-100页 |
| 4.1 引言 | 第80-81页 |
| 4.2 对比度保持去色(CPD) | 第81-83页 |
| 4.2.1 参数模型 | 第81-82页 |
| 4.2.2 双峰性的对比度保持目标函数 | 第82-83页 |
| 4.2.3 弱序去色 | 第83页 |
| 4.3 HSH行人检测算子 | 第83-88页 |
| 4.3.1 概率聚合分割(SPA) | 第83-86页 |
| 4.3.2 感知哈希(pHash) | 第86-87页 |
| 4.3.3 HSH联合特征算子 | 第87-88页 |
| 4.4 实验方法 | 第88-91页 |
| 4.4.1 训练过程 | 第88-89页 |
| 4.4.2 检测过程 | 第89-91页 |
| 4.5 实验结果与分析 | 第91-98页 |
| 4.5.1 实验平台 | 第91页 |
| 4.5.2 实验数据集 | 第91页 |
| 4.5.3 实验细节 | 第91-92页 |
| 4.5.4 关键参数选择 | 第92-93页 |
| 4.5.5 检测效果比较 | 第93-97页 |
| 4.5.6 检测时间比较 | 第97-98页 |
| 4.6 本章总结 | 第98-100页 |
| 5 浅层学习引导的深度学习行人检测 | 第100-127页 |
| 5.1 引言 | 第100-101页 |
| 5.2 深度学习中的部分关键技术 | 第101-102页 |
| 5.2.1 Dropout技术 | 第101页 |
| 5.2.2 Batch Normalization技术 | 第101-102页 |
| 5.3 基于深度学习的检测算法 | 第102-106页 |
| 5.3.1 R-CNN | 第103页 |
| 5.3.2 Fast R-CNN | 第103-104页 |
| 5.3.3 Faster R-CNN | 第104-106页 |
| 5.4 改进的深度融合学习方法 | 第106-109页 |
| 5.4.1 选择性Dropout(Selective Dropout) | 第106-107页 |
| 5.4.2 浅层学习引导的Guided Faster R-CNN | 第107-109页 |
| 5.5 实验方法 | 第109-112页 |
| 5.5.1 训练过程 | 第109-111页 |
| 5.5.2 检测过程 | 第111-112页 |
| 5.6 实验结果与分析 | 第112-125页 |
| 5.6.1 实验平台 | 第112-113页 |
| 5.6.2 实验数据集 | 第113页 |
| 5.6.3 实验细节 | 第113-114页 |
| 5.6.4 关键技术选择 | 第114-115页 |
| 5.6.5 检测效果比较 | 第115-125页 |
| 5.6.6 检测时间比较 | 第125页 |
| 5.7 本章总结 | 第125-127页 |
| 6 总结与展望 | 第127-129页 |
| 6.1 全文总结 | 第127-128页 |
| 6.2 展望 | 第128-129页 |
| 参考文献 | 第129-139页 |
| 附录：中英文对照 | 第139-141页 |
| 攻读博士期间发表的论文及科研项目情况 | 第141-143页 |
| 致谢 | 第143页 |
