基于深度学习的行人检测系统的设计与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 系统开发背景 | 第11-12页 |
| 1.2 国内外发展现状研究 | 第12-14页 |
| 1.2.1 国外研究发展动态 | 第12-13页 |
| 1.2.2 国内研究发展动态 | 第13-14页 |
| 1.3 论文的主要内容及其组织结构 | 第14-15页 |
| 1.4 本章小结 | 第15-17页 |
| 2 行人检测系统相关理论及技术综述 | 第17-29页 |
| 2.1 深度学习框架简介 | 第17-18页 |
| 2.2 行人检测技术简介 | 第18-20页 |
| 2.3 行人检测方法综述 | 第20-21页 |
| 2.4 基于深度学习的行人检测算法演变 | 第21-26页 |
| 2.5 TCP/IP通信协议 | 第26-27页 |
| 2.6 OpenCV技术 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 3 特征提取 | 第29-33页 |
| 3.1 卷积神经网络特征提取 | 第29-30页 |
| 3.2 VGG-16特征提取 | 第30-32页 |
| 3.3 本章小结 | 第32-33页 |
| 4 行人检测算法的设计与实现 | 第33-63页 |
| 4.1 行人检测算法的设计 | 第33-45页 |
| 4.1.1 算法总体设计 | 第33-35页 |
| 4.1.2 算法详细设计 | 第35-45页 |
| 4.2 Faster-Rcnn网络模型的训练 | 第45-56页 |
| 4.2.1 训练文件架构 | 第46-47页 |
| 4.2.2 训练环境 | 第47页 |
| 4.2.3 参数文件配置 | 第47-49页 |
| 4.2.4 RPN网络训练 | 第49-53页 |
| 4.2.5 Fast-Rcnn网络训练 | 第53-56页 |
| 4.3 行人检测算法的实现 | 第56-61页 |
| 4.3.1 图像采集 | 第57-60页 |
| 4.3.2 行人检测 | 第60-61页 |
| 4.4 本章小结 | 第61-63页 |
| 5 行人检测系统的测试与分析 | 第63-73页 |
| 5.1 数据集 | 第63-66页 |
| 5.1.1 数据集介绍 | 第63-66页 |
| 5.1.2 数据集结构 | 第66页 |
| 5.2 系统测试实验 | 第66-69页 |
| 5.3 实验结果分析 | 第69-71页 |
| 5.4 本章小结 | 第71-73页 |
| 6 总结与未来展望 | 第73-75页 |
| 6.1 全文总结 | 第73页 |
| 6.2 未来展望 | 第73-75页 |
| 参考文献 | 第75-77页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第77-81页 |
| 学位论文数据集 | 第81页 |
