目录
摘 要 II
ABSTRACT III
第一章 文献综述 1
1.背景及意义 1
2.国内外研究现状 2
2.1目标检测研究现状 2
2.2行人检测研究现状 3
第二章 行人检测与交通运输的关系研究 5
1.交通领域的工程应用研究 5
1.1自动驾驶领域 5
1.2辅助驾驶领域 5
第三章 开发环境Tensorflow搭建 6
1.Tensorflow深度学习框架 6
2.Tensorflow的环境搭建 6
第四章 两种系列的行人检测算法研究 7
1.YoLo算法系列之YoLoV1 7
1.1 YoLoV1检测原理 7
1.2网络结构 8
2.YoLo算法系列之YoLoV2 8
2.1 YoLoV2检测原理 8
2.2网络结构 9
3.YoLo算法系列之YoLoV3 10
3.1 YoLoV3检测原理 10
3.2 网络结构 12
4. Faster Rcnn算法 13
4.1算法原理 13
4.2网络结构图 14
第五章 基于YoLoV3的行人检测算法 16
1.行人数据集准备 16
1.1数据集准备 16
1.2数据集制作 16
2.行人目标检测的评价指标 18
3. 基于 YoLoV3的行人检测算法 19
3.1模型训练及测试 19
3.2实验结果分析 20
第六章 总结与展望 22
1.总结 22
2.展望 23
参考文献 23
致 谢 24
基于YoLo的行人检测方法研究
摘 要
行人检测是当前计算机视觉技术的一大应用之一，在智能交通和辅助驾驶领域中对行人设计一套实时检测的系统模型是保证驾驶安全性的必要保障。在本文中，首先结合国内外对于目 *51今日免费论文网|www.51jrft.com +Q: ^351916072# 
标检测以及专针对行人的检测技术现状，选择了一阶段（基于回归）类行人检测算法—YoLo系列算法、两阶段（基于候选区域）类—Faster Rcnn算法，对以上两类实时行人检测框架的检测原理和网络结构进行了相关介绍和研究，此外，详细介绍了开发环境Tensorflow框架以及它的环境搭建步骤，并且选取了数据集VOC2007+2012作为行人检测数据集，通过对YoLoV3网络模型进行训练（每一次训练采取控制变量法，保证数据输入网络批次一样时其所花时间不相上下），检测，将结果与Faster Rcnn在同一数据集上的检测结果做对比分析实验；修改参数，在同样软硬件条件下比较YoLoV3和Faster Rcnn的检测性能变化情况。在统一评估标准下，实验结果表明，控制在相同条件下，YoLoV3该算法在用于行人对象的检测时兼具速度快、检测精度相对较高的优越性能，另外，当适当调高学习率参数时，二者由于收敛速度变快，其检测速率也有小范围的提高。

原文链接：http://www.jxszl.com/jtgc/jjtys/610119.html