| 摘要 | 第5-6页 |
| Abstarct | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 引言 | 第9页 |
| 1.2 研究背景及意义 | 第9页 |
| 1.3 行人检测问题研究现状概述 | 第9-10页 |
| 1.4 卷积神经网络研究现状概述 | 第10-11页 |
| 1.5 论文主要内容 | 第11-13页 |
| 第二章 基于行人检测问题的算法理论基础 | 第13-19页 |
| 2.1 引言 | 第13页 |
| 2.2 传统算法对于提取特征部分的相关介绍 | 第13-15页 |
| 2.3 基于深度学习的行人特征提取方法 | 第15-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 基于分解结构的SSD算法模型优化 | 第19-29页 |
| 3.1 引言 | 第19-20页 |
| 3.2 基于VGG-16网络前驱结构的SSD算法整体分析 | 第20-21页 |
| 3.3 基于标准卷积优化过程的可行性分析 | 第21-23页 |
| 3.4 分解结构下的参数量和计算量理论分析 | 第23-25页 |
| 3.5 针对预选区域提取算法的相应优化 | 第25-28页 |
| 3.6 本章小结 | 第28-29页 |
| 第四章 基于分解结构SSD算法模型具体实现 | 第29-38页 |
| 4.1 引言 | 第29页 |
| 4.2 Caffe框架部署及训练步骤介绍 | 第29-30页 |
| 4.3 基于行人检测训练样本的数据增强策略 | 第30-31页 |
| 4.4 网络模型及训练模式参数设定 | 第31-34页 |
| 4.5 相关实验结果及分析 | 第34-37页 |
| 4.6 本章小结 | 第37-38页 |
| 第五章 基于SSD算法模型和HomeAssistant的智能监控系统实现 | 第38-51页 |
| 5.1 引言 | 第38页 |
| 5.2 嵌入式硬件平台介绍 | 第38页 |
| 5.3 SSD算法模型加载和具体执行流程 | 第38-40页 |
| 5.4 基于HomeAssistant框架的GPIO设备和通信组件开发 | 第40-47页 |
| 5.4.1 HomeAssistant介绍 | 第40页 |
| 5.4.2 HA内部机制分析和组件开发规范 | 第40-42页 |
| 5.4.3 基于Websocket协议的通信组件实现 | 第42-46页 |
| 5.4.4 基于GPIO接口的硬件组件实现 | 第46-47页 |
| 5.5 整体系统部署 | 第47-49页 |
| 5.6 相关实验及结论 | 第49-51页 |
| 总结与展望 | 第51-53页 |
| 总结 | 第51页 |
| 工作展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间取得的研究成果 | 第56-57页 |
| 致谢 | 第57-58页 |
| 附件 | 第58页 |
