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的重要研究方向之一，近年来受到越来越广泛的关注。
特别是随着深度学习技术的快速发展，基于卷积神经网络的行人检测方法在准确率和鲁棒性方面取得了显著的突破，为实现更加智能、安全的应用场景提供了技术支撑。
本选题旨在研究基于卷积神经网络的行人检测程序设计，探索如何将深度学习技术应用于实际场景中的行人检测任务，并开发相应的程序系统。
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分支，一直以来都是研究热点。
近年来，深度学习，特别是卷积神经网络(CNN)的出现，为行人检测带来了突破性进展。
早期学者主要集中于传统的行人检测方法，如基于特征描述符的方法(例如HOG、SIFT)和基于模板匹配的方法。
3. 本选题研究的主要内容及写作提纲
本选题将针对行人检测任务的特点，研究基于卷积神经网络的行人检测程序设计，主要内容包括以下几个方面:
1. 主要内容
1.研究不同卷积神经网络模型在行人检测任务上的性能表现。
4. 研究的方法与步骤
本研究将采用理论分析、实验研究和程序设计相结合的方法，具体步骤如下：
1.文献调研与技术分析阶段:查阅国内外相关文献，了解行人检测技术的发展现状、研究热点和难点，分析不同卷积神经网络模型的特点和适用场景，为模型选择和程序设计提供理论依据。
2.模型选择与训练阶段:选择合适的卷积神经网络模型，例如FasterR-CNN、YOLO、SSD等，在公开的行人检测数据集上进行训练。
在训练过程中，将尝试不同的参数设置和优化策略，例如学习率、批大小、数据增强方法等，以获得最佳的模型性能。
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.模型轻量化设计:针对现有行人检测模型计算量大、难以部署到移动设备的问题，本研究将探索模型轻量化设计方法，例如采用深度可分离卷积、模型剪枝等技术，在保证检测精度的同时，降低模型的计算复杂度，提高检测速度，使其能够更好地应用于移动设备。
2.多特征融合策略:为了提高行人检测在复杂场景下的鲁棒性，本研究将探索多特征融合策略，例如将图像的语义信息、纹理信息、边缘信息等多层次特征进行融合，以增强模型对不同光照条件、遮挡情况、姿态变化的适应能力。
3.面向实际应用的程序设计:本研究将针对实际应用场景，设计并实现一个用户友好的行人检测程序。
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. 黄凯奇,刘伟,章毓晋. 基于深度学习的行人检测技术综述[J]. 控制理论与应用,2021,38(01):1-19.
2. 毛天奇. 基于深度学习的行人检测算法研究[D].南京邮电大学,2021.
3. 刘宇轩. 基于改进YOLOv3的行人检测算法研究[D]. 南京理工大学,2020.
