| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 行人检测算法研究现状 | 第10-11页 |
| 1.2.2 行人跟踪算法研究现状 | 第11-13页 |
| 1.2.3 行人重识别算法研究现状 | 第13-14页 |
| 1.3 研究难点与发展趋势 | 第14-15页 |
| 1.4 本文主要工作及组织结构 | 第15-17页 |
| 第2章 基于卷积神经网络的行人目标检测算法分析 | 第17-29页 |
| 2.1 基于候选区域的目标检测算法研究 | 第17-21页 |
| 2.1.1 R-CNN算法框架 | 第17-18页 |
| 2.1.2 Fast R-CNN算法框架 | 第18-19页 |
| 2.1.3 Faster R-CNN 算法框架 | 第19-21页 |
| 2.2 基于全局回归的目标检测算法研究 | 第21-25页 |
| 2.2.1 YOLO算法框架 | 第22-23页 |
| 2.2.2 YOLOv2算法框架 | 第23-25页 |
| 2.3 行人目标检测算法优选 | 第25-28页 |
| 2.3.1 目标检测数据集及其评价指标 | 第25-26页 |
| 2.3.2 精度对比分析 | 第26-27页 |
| 2.3.3 速度对比分析 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 无人驾驶中单摄像头行人检测算法研究 | 第29-38页 |
| 3.1 无人驾驶中单摄像头行人检测任务分析 | 第29-30页 |
| 3.2 基于改进YOLOv2的行人检测算法研究 | 第30-34页 |
| 3.2.1 改进YOLOv2算法框架 | 第30-33页 |
| 3.2.2 改进YOLOv2网络模型损失函数 | 第33-34页 |
| 3.3 基于Siam FC的行人跟踪算法研究 | 第34-37页 |
| 3.3.1 SiamFC 网络模型 | 第34-36页 |
| 3.3.2 SiamFC 网络模型损失函数 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 无人驾驶中跨摄像头行人重识别算法研究 | 第38-47页 |
| 4.1 基于浅层机器学习的行人重识别算法 | 第38-39页 |
| 4.2 基于深度学习的行人重识别算法研究 | 第39-41页 |
| 4.2.1 基于验证模型的行人重识别算法 | 第40-41页 |
| 4.2.2 基于辨识模型的行人重识别算法 | 第41页 |
| 4.3 基于融合模型的行人重识别算法 | 第41-46页 |
| 4.3.1 ResNet 网络 | 第42-44页 |
| 4.3.2 基于 ResNet-50 的行人重识别网络模型搭建 | 第44-45页 |
| 4.3.3 网络模型损失函数 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 实验结果与算法性能分析 | 第47-63页 |
| 5.1 行人检测与重识别实验平台搭建 | 第47-48页 |
| 5.1.1 行人检测与重识别硬件平台搭建 | 第47-48页 |
| 5.1.2 行人检测与重识别软件平台搭建 | 第48页 |
| 5.2 基于改进YOLOv2的行人检测算法实现与性能分析 | 第48-52页 |
| 5.2.1 行人检测数据集 | 第48-50页 |
| 5.2.2 改进YOLOv2网络测试结果分析 | 第50-52页 |
| 5.3 基于Siam FC 行人跟踪算法实现与性能分析 | 第52-57页 |
| 5.3.1 行人跟踪数据集 | 第53页 |
| 5.3.2 基于 SiamFC 行人跟踪网络实现与测试结果分析 | 第53-57页 |
| 5.4 行人重识别算法实现与性能分析 | 第57-62页 |
| 5.4.1 行人重识别数据集 | 第57-58页 |
| 5.4.2 基于 ResNet-50 行人重识别算法实现与测试结果分析 | 第58-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-66页 |
| 6.1 工作总结 | 第63-64页 |
| 6.2 展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间发表的学术论文 | 第72页 |
