| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 行人检测的研究现状 | 第9-10页 |
| 1.2.2 行人跟踪的研究现状 | 第10-11页 |
| 1.3 课题研究内容 | 第11页 |
| 1.4 论文结构安排 | 第11-13页 |
| 第2章 相关理论与技术 | 第13-23页 |
| 2.1 典型的特征提取网络 | 第13-17页 |
| 2.2 深度学习框架 | 第17-18页 |
| 2.3 YOLO目标检测算法 | 第18-21页 |
| 2.3.1 YOLO v1检测算法 | 第18-19页 |
| 2.3.2 YOLO v2检测算法 | 第19页 |
| 2.3.3 YOLO v3检测算法 | 第19-21页 |
| 2.4 行人检测评价指标 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于DenseNet和YOLO的行人检测方法 | 第23-30页 |
| 3.1 引言 | 第23-24页 |
| 3.2 DenseNet网络 | 第24-25页 |
| 3.3 基于DenseNet的YOLO特征提取网络设计 | 第25-26页 |
| 3.3.1 行人检测过程 | 第25页 |
| 3.3.2 三个直通层的设计 | 第25-26页 |
| 3.3.3 特征金字塔结构设计 | 第26页 |
| 3.4 实验与对比分析 | 第26-29页 |
| 3.4.1 数据集与数据预处理 | 第27页 |
| 3.4.2 网络训练 | 第27页 |
| 3.4.3 实验结果与分析 | 第27-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 基于YOLO-R网络的行人遮挡优化模型 | 第30-37页 |
| 4.1 引言 | 第30页 |
| 4.2 基于YOLO-R网络行人遮挡处理 | 第30-34页 |
| 4.2.1 遮挡处理 | 第30-31页 |
| 4.2.2 头部检测 | 第31页 |
| 4.2.3 网络结构 | 第31-34页 |
| 4.3 实验与对比分析 | 第34-36页 |
| 4.3.1 数据集 | 第34页 |
| 4.3.2 实验设计 | 第34页 |
| 4.3.3 实验结果与分析 | 第34-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第5章 基于Deep-Sort算法改进的行人跟踪算法 | 第37-42页 |
| 5.1 引言 | 第37页 |
| 5.2 目标跟踪算法 | 第37-38页 |
| 5.3 系统整体设计 | 第38-39页 |
| 5.4 目标追踪网络设计 | 第39-40页 |
| 5.5 实验结果及分析 | 第40-41页 |
| 5.6 本章小结 | 第41-42页 |
| 结论 | 第42-43页 |
| 参考文献 | 第43-47页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第47-50页 |
| 致谢 | 第50页 |
