1. 研究目的与意义（文献综述）

1.1设计目的及意义

随着全球科学水平的飞跃式发展，有关研究都开始相继取得重大突破，其中人工智能无疑是近些年来一个最为火热的概念及未来很长时间内人们关注的焦点，而计算机视觉就是其研究领域中一个重要的分支方向^[1-2]。基于军事、安全、交通、商业和医疗等多方面的需求，目标检测及识别已经成为了计算机视觉现阶段应用较为广泛的部分^[3]。简单来说，目标检测及识别就是一种基于图像分割的统计特征和统计几何，将目标的分割和识别合二为一的功能，准确性和实效性是衡量一个目标检测与识别系统的重要指标。但是在实际场景应用时，目标检测和识别的结果往往会受到光照、背景、形态和遮挡等因素的影响。

传统的行人检测通常使用基于传统图像处理方法，即提取人工设计特征。具体到交通领域，行人检测就是尤为重要的一项关键技术。人工设计特征主要用来进行目标识别与定位，例如sift（尺度不变特征转换）、surf(加速稳健特征)和hog（方向梯度直方图)等^[4]。传统方法的本质就是通过算法获取图像中与既定特征相关的信息，然后根据提取到的人工特征训练分类器，最后再结合相应的策略对图像中的目标进行定位。但是，不同的人工特征都存在着各自的缺陷例如：特征描述、错配问题和局部遮挡。

2. 研究的基本内容与方案

2.1设计的基本内容、目标

本文内容主要从应用于自动驾驶的角度出发，围绕卷积深度学习网络在行人检测方面的应用展开研究，分析传统方法所出现的缺陷和面临的瓶颈，接着对基于不同网络结构的深度学习行人检测模型分别构建行人检测系统进行研究分析，选出最适用于行人检测的卷积神经网络结构，最后在真实场景中加以验证。本文所做的工作主要有以下几个:

介绍深度学习的理论基础以及行人检测方面的有关研究。阐述传统方法（基于hog特征的dpm算法）做行人检测时所面临的问题。解释卷积神经网络的概念和几种常见的卷积神经网络结构。

3. 研究计划与安排

进度安排表

4. 参考文献（12篇以上）

[1]王斌. 基于深度学习的行人检测[d].北京交通大学,2015.

[2]刘芷含. 基于深度学习的行人目标检测方法[d].南京理工大学,2018.

[3]黄咨. 基于卷积神经网络的目标检测模型的研究[d].上海交通大学,2015.