1. 本选题研究的目的及意义
行人目标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。
其旨在从图像或视频序列中自动地识别和定位行人目标，为视频监控、自动驾驶、智能机器人等领域提供关键技术支撑。
研究目的：本选题旨在研究基于CNN网络的行人目标检测算法，探索提高行人目标检测精度和效率的有效方法。
2. 本选题国内外研究状况综述
行人目标检测作为计算机视觉领域的重要研究方向，近年来取得了显著的进展。
国内研究现状：国内学者在行人目标检测方面开展了大量研究工作，并取得了一系列成果。
例如，清华大学提出了基于深度学习的行人检测算法，在公开数据集上取得了较好的效果。
3. 本选题研究的主要内容及写作提纲
主要内容：
1.研究CNN网络的基本原理，包括卷积层、池化层、激活函数、全连接层等核心概念，以及不同类型CNN网络的结构特点和优缺点。
2.分析传统行人目标检测方法的不足，阐述基于CNN网络的行人目标检测算法的优势，并介绍典型的基于区域和基于回归的CNN行人目标检测算法，比较分析单阶段和双阶段检测算法的优缺点。
3.设计并实现一种基于CNN网络的行人目标检测算法。
4. 研究的方法与步骤
本研究将采用以下方法和步骤：
1.文献调研：查阅国内外相关文献，了解行人目标检测的最新研究进展，特别是基于CNN网络的行人目标检测算法。
2.数据收集与预处理：收集常用的行人目标检测数据集，如CaltechPedestrianDataset、KITTIPedestrianDataset等。
对数据集进行预处理，包括图像标注、数据增强等。
5. 研究的创新点
本研究的创新点在于：
1.针对复杂场景下的行人目标检测问题，提出一种改进的CNN网络结构，提高算法对遮挡、光照变化等因素的鲁棒性。
2.提出一种新的训练策略，结合数据增强和多任务学习，提高算法的泛化能力和检测精度。
3.对比分析不同CNN网络结构和训练策略对行人目标检测性能的影响，为设计更加高效、鲁棒的行人目标检测算法提供参考。
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] 赵永强，刘华锋，王向军. 基于深度学习的行人检测技术综述[J]. 计算机应用研究, 2021, 38(11): 3201-3211.
[2] 何勇，刘明，王生进，等. 基于改进YOLOv3的复杂场景下行人检测算法[J]. 电子学报, 2021, 49(10): 2133-2142.
[3] 张志强，王生金，王坤峰，等. 基于深度学习的行人检测算法研究综述[J]. 计算机工程与应用, 2020, 56(23): 1-13.
