| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究的目的和意义 | 第11-12页 |
| 1.2 行人检测研究进展和难点 | 第12-14页 |
| 1.3 本文主要的研究内容 | 第14-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第2章 行人检测算法理论 | 第17-31页 |
| 2.1 传统行人检测技术 | 第17-20页 |
| 2.1.1 多尺度滑动窗口法 | 第17-18页 |
| 2.1.2 HOG特征提取 | 第18-20页 |
| 2.2 卷积神经网络理论 | 第20-30页 |
| 2.2.1 梯度下降法 | 第21-23页 |
| 2.2.2 反向传播算法 | 第23-26页 |
| 2.2.3 卷积神经网络 | 第26-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 数据集准备与深度学习框架选取 | 第31-45页 |
| 3.1 常见公开行人检测数据集分析 | 第31-33页 |
| 3.2 数据集预处理 | 第33-40页 |
| 3.2.1 非行人样本生成 | 第34-35页 |
| 3.2.2 数据集增强 | 第35-38页 |
| 3.2.3 遮挡问题处理 | 第38-40页 |
| 3.3 静态背景视频序列数据采集 | 第40-42页 |
| 3.4 深度学习框架选取 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 行人检测算法研究与实现 | 第45-76页 |
| 4.1 基于R-CNN的行人检测算法结构 | 第45-47页 |
| 4.2 卷积神经网络的结构调整与优化 | 第47-56页 |
| 4.2.1 卷积核尺寸调整 | 第48-49页 |
| 4.2.2 激活函数选取 | 第49-52页 |
| 4.2.3 分类器设计 | 第52页 |
| 4.2.4 损失函数选取 | 第52-54页 |
| 4.2.5 网络参数正则化 | 第54-56页 |
| 4.3 训练阶段关键技术 | 第56-61页 |
| 4.3.1 输入数据标准化与批量化 | 第56-57页 |
| 4.3.2 卷积神经网络参数训练 | 第57-61页 |
| 4.4 测试阶段关键技术 | 第61-65页 |
| 4.4.1 选择性搜索算法提取候选区域 | 第61-64页 |
| 4.4.2 多窗口融合 | 第64-65页 |
| 4.5 基于三帧差分法的改进R-CNN行人检测算法 | 第65-75页 |
| 4.5.1 全连接层到卷积层的等效变换 | 第65-66页 |
| 4.5.2 模型微调 | 第66-67页 |
| 4.5.3 三帧差分法提取候选区域 | 第67-70页 |
| 4.5.4 帧间匹配与卡尔曼滤波跟踪 | 第70-75页 |
| 4.6 本章小结 | 第75-76页 |
| 第5章 实验验证及结果分析 | 第76-84页 |
| 5.1 性能评价方法 | 第76-77页 |
| 5.2 实验结果分析 | 第77-82页 |
| 5.3 本章小结 | 第82-84页 |
| 结论 | 第84-86页 |
| 参考文献 | 第86-90页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第90-91页 |
| 致谢 | 第91-92页 |