复杂场景中的行人检测算法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 基于人工设计特征的行人检测算法 | 第9-11页 |
| 1.2.2 基于深度学习的行人检测算法 | 第11-12页 |
| 1.3 论文的主要工作及结构安排 | 第12-14页 |
| 1.3.1 论文主要工作 | 第12页 |
| 1.3.2 论文结构安排 | 第12-14页 |
| 第二章 行人检测相关理论与方法概述 | 第14-27页 |
| 2.1 行人检测算法基本框架 | 第14-15页 |
| 2.2 候选区域产生的理论和方法 | 第15-17页 |
| 2.3 特征提取理论和方法 | 第17-20页 |
| 2.4 特征分类器 | 第20-23页 |
| 2.5 行人检测数据集和评价标准 | 第23-25页 |
| 2.5.1 行人数据集 | 第24页 |
| 2.5.2 算法评价标准 | 第24-25页 |
| 2.6 本章小结 | 第25-27页 |
| 第三章 基于多级特征融合的行人检测算法研究 | 第27-37页 |
| 3.1 问题提出 | 第27-28页 |
| 3.2 算法流程图 | 第28-29页 |
| 3.3 多级特征融合网络架构 | 第29-33页 |
| 3.3.1 网络架构设计 | 第30-31页 |
| 3.3.2 网络训练过程 | 第31-33页 |
| 3.4 实验结果与分析 | 第33-36页 |
| 3.4.1 实验说明 | 第33-34页 |
| 3.4.2 仿真实验结果 | 第34-35页 |
| 3.4.3 误差分析 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 行人检测候选区域去冗余算法 | 第37-46页 |
| 4.1 算法流程图 | 第37-38页 |
| 4.2 二值规范化梯度算法 | 第38-39页 |
| 4.3 HOG-CSS-SVM行人检测器 | 第39-41页 |
| 4.4 实验结果分析 | 第41-45页 |
| 4.4.1 仿真实验结果 | 第41-44页 |
| 4.4.2 误差分析 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 基于分割语义优化的行人检测算法 | 第46-57页 |
| 5.1 算法框图 | 第46页 |
| 5.2 RefineNet语义分割算法 | 第46-50页 |
| 5.3 基于分割语义优化的行人检测算法实现 | 第50-52页 |
| 5.4 实验结果分析 | 第52-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-60页 |
| 6.1 总结 | 第57-58页 |
| 6.2 未来工作展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 附录1 攻读硕士学位期间申请的专利 | 第63-64页 |
| 致谢 | 第64页 |
