| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 基于统计学习的方法 | 第10-11页 |
| 1.2.2 基于深度学习的方法 | 第11页 |
| 1.3 行人检测研究的难点 | 第11-12页 |
| 1.3.1 检测精度 | 第11-12页 |
| 1.3.2 检测速率 | 第12页 |
| 1.4 本文主要研究内容及组织结构 | 第12-15页 |
| 第二章 行人检测相关技术介绍 | 第15-27页 |
| 2.1 引言 | 第15页 |
| 2.2 特征提取 | 第15-20页 |
| 2.2.1 梯度直方图特征(HOG) | 第15-18页 |
| 2.2.2 哈尔特征(Haar-like) | 第18-20页 |
| 2.3 分类器选择 | 第20-22页 |
| 2.3.1 Adaboost分类器 | 第20-21页 |
| 2.3.2 Softmax分类器 | 第21-22页 |
| 2.4 行人检测关键技术 | 第22-25页 |
| 2.4.1 滑动窗口 | 第22-23页 |
| 2.4.2 多尺度缩放 | 第23-24页 |
| 2.4.3 非极大抑制(NMS) | 第24-25页 |
| 2.5 行人检测数据集介绍 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 一种基于监督子空间学习改进的行人检测算法 | 第27-53页 |
| 3.1 引言 | 第27页 |
| 3.2 本章相关工作 | 第27-34页 |
| 3.2.1 积分通道特征(ICF) | 第27-29页 |
| 3.2.2 聚合通道特征(ACF) | 第29-30页 |
| 3.2.3 Haar-like模板特征 | 第30页 |
| 3.2.4 局部Fisher判别分析(LFDA) | 第30-32页 |
| 3.2.5 基于决策树的Adaboost分类器 | 第32-33页 |
| 3.2.6 软级联分类器框架 | 第33-34页 |
| 3.3 Subset-Haar-like中间层特征 | 第34-44页 |
| 3.3.1 特征提取流程 | 第34-35页 |
| 3.3.2 数据集描述 | 第35-36页 |
| 3.3.3 算法性能评价标准选择 | 第36-37页 |
| 3.3.4 实验与结果分析 | 第37-40页 |
| 3.3.5 参数讨论 | 第40-41页 |
| 3.3.6 Inria数据集检测结果分析对比 | 第41-44页 |
| 3.4 LFDA加权Subset-Haar-like中间层特征 | 第44-52页 |
| 3.4.1 特征提取流程 | 第45页 |
| 3.4.2 LFDA加权系数学习 | 第45-46页 |
| 3.4.3 实验与结果分析 | 第46-48页 |
| 3.4.4 参数讨论 | 第48-49页 |
| 3.4.5 Inria数据集检测结果展示 | 第49-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 加权Subset-Haar-like检测器与Res Net融合算法 | 第53-69页 |
| 4.1 引言 | 第53页 |
| 4.2 本章相关工作 | 第53-58页 |
| 4.2.1 深度残差网络(Res Net) | 第53-56页 |
| 4.2.2 深度学习框架Pytorch | 第56-58页 |
| 4.3 基于加权Subset-Haar-like检测器与Res Net残差网络的算法 | 第58-61页 |
| 4.3.1 候选区域选取 | 第58-60页 |
| 4.3.2 算法流程 | 第60-61页 |
| 4.4 实验 | 第61-68页 |
| 4.4.1 数据集和Res Net网络参数设置 | 第61-62页 |
| 4.4.2 实验与结果分析 | 第62-65页 |
| 4.4.3 参数讨论 | 第65-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69-70页 |
| 5.2 展望 | 第70-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 作者简介 | 第79页 |
