1. 毕业设计（论文）主要目标：
对目前流行的视觉神经网络算法进行优化。传统目标检测使用滑动窗口来选择区域，由于这种方式没有针对性，对时间要求比较高，同时区域选择也存在冗余性。特征的提取方式比较固定，因此对于变化的对象鲁棒性有待提高。
R-CNN对图像进行了预处理，选择性地找出目标图像中目标候选区域，即目标可能出现的位置。通过滤波矩阵提取出目标图像中的纹理、颜色等其他图像信息，这样能够保证一定的召回率，同时也使得窗口数量大大减少，但是仍然高达上千。因此，为了提高图像特征的提取的速度，找出物体的候选区域/框，这些框之间是可以互相重叠互相包含的，这样本来需要枚举的所有框就变成选择一部分框，大大提高了运行速度。
传统方法使用穷举方法选择区域，R-CNN在第一步流程中，是对原始图片通过选择性提取算法提取的候选框，但是候选仍然多达2000个左右，并且这些候选框全部都需要进行特征提取和使用分类器进行分类，由此，会降低检测速度，它庞大的计算导致检测一张图都需要47s。
2. 毕业设计（论文）主要内容：
本文将对FASTER R-CNN进行优化，通过对输入图像事先进行预处理，以加快后续图像检测的速度。在图片背景已知的情况下，直接对除了背景部分进行提取，对比无行人情况下的背景特征图，在进行候选框特征提取的时候，能够减少前景背景判断次数。
在FATER R-CNN的RPN阶段，选取的候选框的选择量仍然不小，由于对每一个滑动窗口都会进行9个锚的判定，因为是特征图是卷积后得到的，这9个锚的范围几乎可以覆盖整张图的有效区域。在同一点处选取3种比例的9个锚，对目标检测有很大的重叠区域。这里提出一种算法不在同一点出进行9个锚的展开，而是增加除原始起点外相邻的两个点，分别处于原始点上侧以及右侧，每个点选择一种尺度。这样选择，一方面能减少目标检测的重叠区域加快检测时间，另一方面保证覆盖范围不会减少。
然后可以获得较为精确的行人位置，为了减少检测时间以达到实时检测的目的，在各式各样的行人中，大多是以大某一范围比例情况出现，比如坐轮椅或者行走，很少出现行人比例小于1:1或者大于4:1的情况，在这种比例下，可以认为人是属于躺着，需要将这类目标删去。为什么在回归之后才筛选，不在锚点时就直接只进行两种比例计算，这是因为，根据实验，这三种比例能够达到最好的检测效果，并且因为在回归之前计算出的是大致位置，对于一个目标行人，同样可能出现使用[1，4]检测出一部分的情况。
3. 主要参考文献
[1] 黄志杰，杨广柱.基于机器视觉的车辆行人检测系统技术综述[J].数字技术与应用，2017，22(2)：115-116.
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
