基于特征提取的高速公路隧道环境下行人检测研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 高速公路隧道下行人检测的研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 行人检测的国内研究现状 | 第12-13页 |
| 1.2.2 行人检测的国外研究现状 | 第13-16页 |
| 1.3 研究课题的提出与本文研究内容 | 第16-17页 |
| 1.4 本文结构安排 | 第17-19页 |
| 第二章 基于特征设计的行人检测方法 | 第19-31页 |
| 2.1 特征设计方法综述 | 第19-21页 |
| 2.1.1 SIFT特征 | 第19-20页 |
| 2.1.2 Harr角点特征 | 第20-21页 |
| 2.2 HOG特征 | 第21-24页 |
| 2.3 SVM的分类方法 | 第24-26页 |
| 2.4 实验与结果分析 | 第26-30页 |
| 2.4.1 实验采用的硬件平台与数据集 | 第26-27页 |
| 2.4.2 实验结果评价标准 | 第27页 |
| 2.4.3 实验结果与分析 | 第27-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于组合方法的隧道行人目标检测 | 第31-45页 |
| 3.1 LBP特征 | 第31-35页 |
| 3.1.1 LBP特征的等价模式 | 第32-33页 |
| 3.1.2 旋转不变LBP特征 | 第33-35页 |
| 3.2 背景差分方法检测运动目标 | 第35-40页 |
| 3.2.1 帧差法 | 第36页 |
| 3.2.2 混合高斯背景差分法 | 第36-39页 |
| 3.2.3 运动目标分割算法的性能比较 | 第39-40页 |
| 3.3 实验与分析 | 第40-43页 |
| 3.3.1 组合方法流程图 | 第40页 |
| 3.3.2 行人检测准确率效果 | 第40-43页 |
| 3.3.3 行人检测方法的实时性比较 | 第43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 基于深度学习的行人检测 | 第45-59页 |
| 4.1 卷积神经网络 | 第46-50页 |
| 4.1.1 卷积神经网络的结构 | 第47-48页 |
| 4.1.2 区域卷积神经网络 | 第48-50页 |
| 4.2 基于区域卷积神经网络的行人检测 | 第50-54页 |
| 4.2.1 候选框提取 | 第51-52页 |
| 4.2.2 行人目标定位 | 第52-54页 |
| 4.2.3 行人检测模型搭建 | 第54页 |
| 4.3 实验与结果分析 | 第54-57页 |
| 4.3.1 实验平台与数据集选取 | 第54-55页 |
| 4.3.2 准确性比较 | 第55-56页 |
| 4.3.3 实时性比较 | 第56-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 结论与展望 | 第59-61页 |
| 5.1 论文主要研究成果 | 第59-60页 |
| 5.2 下一步工作展望 | 第60-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 附录A (攻读硕士期间发表的论文) | 第67-69页 |
| 附录B (攻读硕士期间申请的知识产权成果) | 第69页 |
