1. 本选题研究的目的及意义
行人检测作为计算机视觉领域中的重要研究方向之一，近年来发展迅速，并在智能交通、安防监控、机器人等领域展现出巨大的应用价值。
本选题旨在研究基于机器学习的行人检测技术，探索如何利用机器学习算法自动、高效、准确地识别图像或视频中的行人目标。
通过对现有行人检测算法的深入研究和改进，提升行人检测的准确率、鲁棒性和实时性，为相关应用领域提供更加可靠的技术支持。
2. 本选题国内外研究状况综述
行人检测作为计算机视觉领域的一个重要研究方向，近年来取得了显著的进展。
现有的行人检测方法主要可以分为两大类：基于传统机器学习的方法和基于深度学习的方法。
1. 国内研究现状
3. 本选题研究的主要内容及写作提纲
1. 主要内容
本研究的主要内容包括以下几个方面：
1.行人检测常用数据集和评价指标研究:-调研分析常用行人检测数据集，如INRIA、CaltechPedestrian、KITTI等，比较其特点和适用场景。
-研究行人检测常用的评价指标，如准确率、召回率、F1值、平均精度均值(mAP)等，分析其优缺点和适用范围。
4. 研究的方法与步骤
本研究将采用理论研究和实验研究相结合的方法，首先进行文献调研，了解行人检测技术的发展现状、主要方法和最新进展，并在此基础上，重点研究基于机器学习的行人检测算法，包括传统机器学习算法和深度学习算法。
在算法研究阶段，将重点关注以下几个方面：1.特征提取：研究不同的特征提取方法，例如HOG、SIFT、CNN等，分析其对行人检测性能的影响。
2.分类器设计：研究不同的分类器模型，例如SVM、Adaboost、深度神经网络等，探讨其在行人检测中的应用。
5. 研究的创新点
本研究的创新点主要体现在以下几个方面：
1.基于多特征融合的行人检测算法研究:结合传统手工特征和深度学习特征，设计多特征融合的行人检测模型，以提高算法对复杂场景的适应能力。
2.针对遮挡问题的行人检测算法研究:研究基于上下文信息和人体姿态估计的遮挡处理方法，提高算法在遮挡情况下的检测精度。
3.轻量级行人检测模型的设计与优化:研究基于模型压缩、知识蒸馏等技术的轻量级行人检测模型，在保证检测精度的同时，降低模型计算量和内存占用，使其更适用于移动设备和嵌入式系统。
6. 计划与进度安排
第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。
第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲
第三阶段（2024.2~2024.3）查询资料，学习相关论文
7. 参考文献（20个中文5个英文）
[1]赵洁,金岩.基于YOLOv3和改进Deep Sort的行人检测跟踪算法[J].计算机应用,2022,42(08):2356-2363.
[2]郭文强,王金伟,彭宇,等.基于改进YOLOv5s的行人检测算法[J].计算机工程与应用,2022,58(16):183-190.
[3]葛祥阳,张凯,张明,等.融合注意力机制和多尺度特征的行人检测算法[J].计算机应用,2022,42(05):1489-1496.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
