| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 基于传统特征的行人检测算法 | 第10页 |
| 1.2.2 基于立体视觉的行人检测算法 | 第10-12页 |
| 1.2.3 基于深度学习的行人检测算法 | 第12-14页 |
| 1.3 行人检测难点 | 第14-15页 |
| 1.4 研究内容 | 第15页 |
| 1.5 创新与不足 | 第15-16页 |
| 1.6 论文结构 | 第16-17页 |
| 2 深度学习和双目立体视觉 | 第17-27页 |
| 2.1 深度学习 | 第17-20页 |
| 2.1.1 卷积神经网络 | 第17-19页 |
| 2.1.2 SoftMax分类器 | 第19-20页 |
| 2.2 双目立体视觉 | 第20-26页 |
| 2.2.1 摄像机标定 | 第21-25页 |
| 2.2.2 立体图像校正 | 第25页 |
| 2.2.3 立体匹配和深度计算 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 基于FasterR-CNN的行人检测算法 | 第27-39页 |
| 3.1 基于FasterR-CNN的行人检测网络结构设计 | 第27-32页 |
| 3.1.1 特征提取网络结构设计 | 第27-28页 |
| 3.1.2 区域建议网络结构设计 | 第28-29页 |
| 3.1.3 感兴趣区域池化层网络结构设计 | 第29-30页 |
| 3.1.4 RPN损失函数 | 第30-31页 |
| 3.1.5 非极大值抑制 | 第31页 |
| 3.1.6 RPN和FastR-CNN特征共享 | 第31-32页 |
| 3.2 实验结果与分析 | 第32-38页 |
| 3.2.1 Caltech数据集的实验结果与分析 | 第32-34页 |
| 3.2.2 KITTI数据集的实验结果与分析 | 第34-36页 |
| 3.2.3 ETC数据集的实验结果与分析 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 4 基于融合FPN和FasterR-CNN的行人检测算法 | 第39-48页 |
| 4.1 特征金字塔网络 | 第39-41页 |
| 4.1.1 自下而上路径 | 第40页 |
| 4.1.2 自上而下路径和横向连接 | 第40-41页 |
| 4.2 融合FPN和FasterR-CNN的行人检测 | 第41-42页 |
| 4.2.1 融合FPN和RPN | 第41-42页 |
| 4.2.2 融合FPN和FastR-CNN | 第42页 |
| 4.3 实验结果与分析 | 第42-47页 |
| 4.3.1 Caltech数据集的实验结果与分析 | 第42-43页 |
| 4.3.2 KITTI数据集的实验结果与分析 | 第43-45页 |
| 4.3.3 ETC数据集的实验结果与分析 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 5 基于多尺度非局部代价聚合的立体匹配算法 | 第48-56页 |
| 5.1 多尺度非局部代价聚合的立体匹配 | 第48-51页 |
| 5.1.1 代价计算 | 第48-49页 |
| 5.1.2 非局部代价聚合 | 第49-50页 |
| 5.1.3 多尺度非局部代价聚合 | 第50-51页 |
| 5.1.4 视差计算 | 第51页 |
| 5.1.5 视差细化 | 第51页 |
| 5.2 实验结果与分析 | 第51-55页 |
| 5.3 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 在校期间科研成果 | 第62页 |
