| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文的主要研究内容与贡献 | 第14-15页 |
| 1.4 本论文的结构安排 | 第15-16页 |
| 第二章 行人检测相关技术 | 第16-25页 |
| 2.1 行人检测基本流程 | 第16-17页 |
| 2.2 行人特征描述 | 第17-21页 |
| 2.2.1 卷积神经网络（Convolutional Neural Network） | 第17-20页 |
| 2.2.2 区域建议网络（Region Proposal Network） | 第20-21页 |
| 2.3 机器学习中常见的分类器介绍 | 第21-24页 |
| 2.3.1 Adaboost算法 | 第21-22页 |
| 2.3.2 梯度提升树算法 | 第22-24页 |
| 2.4 行人数据集介绍 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 行人检测模型 | 第25-32页 |
| 3.1 模型总览 | 第25-26页 |
| 3.2 生成区域建议框的方法 | 第26-27页 |
| 3.3 生成特征向量 | 第27-28页 |
| 3.4 XGBoost分类器 | 第28-31页 |
| 3.5 具体实施细节 | 第31页 |
| 3.6 本章小节 | 第31-32页 |
| 第四章 实验与分析 | 第32-44页 |
| 4.1 实验环境 | 第32-33页 |
| 4.2 实验 | 第33-37页 |
| 4.2.1 仅使用RPN进行行人检测的实验效果评估 | 第33-34页 |
| 4.2.2 使用合适且高质量特征的重要性 | 第34-36页 |
| 4.2.3 Hard negative examples | 第36-37页 |
| 4.3 同其它行人检测方法的比较结果 | 第37-39页 |
| 4.4 检测结果展示 | 第39-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 总结与展望 | 第44-46页 |
| 5.1 主要结论 | 第44-45页 |
| 5.2 未来的工作 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50-51页 |
| 攻读硕士学位期间发表的学术论文 | 第51页 |
