| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究的背景和意义 | 第8-9页 |
| 1.2 国内外发展现状 | 第9-13页 |
| 1.3 本论文的主要内容 | 第13-15页 |
| 1.4 论文的结构安排 | 第15-16页 |
| 第2章 基于HOG+SVM的行人检测算法的研究与设计 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 HOG特征提取 | 第16-18页 |
| 2.3 SVM分类器 | 第18-19页 |
| 2.4 利用HOG特征和SVM分类器进行行人检测 | 第19-20页 |
| 2.5 实验结果分析 | 第20-24页 |
| 2.6 本章小结 | 第24-26页 |
| 第3章 基于Faster-RCNN的行人检测算法的研究与设计 | 第26-42页 |
| 3.1 引言 | 第26-27页 |
| 3.2 卷积神经网络基本原理介绍 | 第27-29页 |
| 3.2.1 卷积神经网络基本单元 | 第27-28页 |
| 3.2.2 网络损失函数 | 第28-29页 |
| 3.3 区域生成网络（RPN）原理 | 第29-33页 |
| 3.3.1 区域生成网络结构 | 第29-30页 |
| 3.3.2 区域生成网络中的基准区域（anchors） | 第30-32页 |
| 3.3.3 区域生成网络的训练及损失函数 | 第32-33页 |
| 3.4 基于Faster-RCNN的行人检测算法的设计与实现 | 第33-37页 |
| 3.4.1 环境搭建简介 | 第34页 |
| 3.4.2 数据集采集与制作 | 第34-37页 |
| 3.4.3 基于Faster-RCNN的行人检测系统 | 第37页 |
| 3.5 实验结果分析 | 第37-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 基于YOLO v2的行人检测算法的研究与设计 | 第42-56页 |
| 4.1 引言 | 第42-43页 |
| 4.2 YOLO v2目标检测框架简介 | 第43页 |
| 4.3 基准区域（anchors）的改进 | 第43-47页 |
| 4.3.1 维度聚类优化基准区域的生成 | 第44-46页 |
| 4.3.2 直接位置预测 | 第46-47页 |
| 4.4 基于YOLO v2的行人检测算法的设计与实现 | 第47-49页 |
| 4.4.1 环境搭建与数据集制作 | 第47-48页 |
| 4.4.2 基于YOLO v2的行人检测系统 | 第48-49页 |
| 4.5 实验结果对比分析 | 第49-54页 |
| 4.5.1 本章实验结果与分析 | 第49-53页 |
| 4.5.2 与HOG+SVM方法和Faster-RCNN方法对比分析 | 第53-54页 |
| 4.6 本章小结 | 第54-56页 |
| 第5章 基于YOLO v2的行人检测算法在TX1上的实现 | 第56-68页 |
| 5.1 引言 | 第56-57页 |
| 5.2 Jetson TX1平台概述 | 第57-62页 |
| 5.2.1 硬件平台简介 | 第58-60页 |
| 5.2.2 软件平台简介 | 第60-62页 |
| 5.3 行人检测算法在TX1上的实现 | 第62-65页 |
| 5.4 实验结果分析 | 第65-66页 |
| 5.5 本章小结 | 第66-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第76页 |
