本文介绍的联合深度学习框架，由四大重要组成部分通过彼此之间的相互合作组成的一个新的研究方向。由此一个新的深层网络架构被提出。通过建立自动的，相互作用的组件，在最大的技术基准数据集上，与当前最佳性能的行人检测方法相比，使平均错失率降低了9％。

本文主要做出以下几个研究：

1.第一步先总结目前深度学习的行人检测的研究现状，了解大家研究方向都是什么，所用到的方法都是哪些。把这些方法进行对比，进行初步的数据分析和模型整理，总结出这些方法的优缺点以及可以参考的地方。翻阅有关的书籍，文献，期刊，以及发表过的论文，参考这些方法所使用的开源工具代码，自己实现几个重要的数据的算法。将理论算法与实际检测行人的数据相结合，综合实验结果与其他的实验方法的数据进行对比，最后作总结报告，形成论文。

2.掌握深度学习的行人检测的关键步骤，翻阅大量的书籍、书刊，查看已经发表过的论文、期刊,进行深层次的学习和了解行人检测的常用的特征（Haar、 HOG和SVM等）以及常用到的检测算法。学习检测算法中的联合学习，通过对它们的透彻学习来设计行人检测更为有效的检测方法。

透彻的了解本文的关键模型—深度模型，学习和研究它的基本原理和实现的方法，在深入学习的程度下对此模型存在的不足，进行改进。

设计好框架流程图以及原理图，基于matlab对深度模型进行模拟，得到测试结果。把测试的最终结果与其他研究方法的结果进行对比分析，了解本文关键模型的优点在哪里，同时也要找到需要进行改进的地方。

研究框架

本文的研究框架各章具体内容如下：

第一章为绪论，概述了行人检测技术的研究背景与意义，了解了行人检测技术当前所处的困境，遇到的困难以及概括说明了现在所处的状况，提出本文接下来应该要做什么和怎么去做。

第二章主要对行人检测技术进行综述，列举了几个比较常见的检测方法，简单介绍了传统滑动窗口选择，详细叙述了HOG和SVM的行人检测的具体流程 。

第三章主要提出了深度学习的概念，详细介绍本文对深度学习的理解。

第四章详细介绍本文的联合深度学习的框架结构，对其进行逐步的分析，并详细的描述了具体的算法步骤。

第五章通过几个算法的对比，发现联合深度学习的效果要比其他的算法结果要好，得出结论。

第六章为本文的工作总结和未来展望。

本文提出的深层模型，联合学习四个组件 - 特征提取，变形处理，遮挡处理和分类，用于行人检测。通过这些组件之间的相互作用，联合学习在公开可用的数据集上实现最佳性能，在最大的Caltech数据集上执行现有的最佳性能方法。详细的实验比较清楚地表明，当所有部件彼此协作时，所提出的新模型可以最大化每个部件的强度，将平均丢失率降低了9%，实验的时间也缩短了很多。