| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 本文研究背景及意义 | 第10-11页 |
| 1.2 行人检测的研究综述 | 第11-15页 |
| 1.2.1 行人检测特征提取的研究 | 第12-13页 |
| 1.2.2 行人检测分类器的研究 | 第13-15页 |
| 1.3 行人检测的技术难点 | 第15-16页 |
| 1.3.1 行人外观的影响 | 第15页 |
| 1.3.2 复杂的背景和光照的影响 | 第15页 |
| 1.3.3 部分遮挡 | 第15-16页 |
| 1.3.4 采集图像的尺度和视角 | 第16页 |
| 1.4 本文的研究内容和结构的安排 | 第16-18页 |
| 第2章 静态图像行人检测算法原理 | 第18-36页 |
| 2.1 行人检测的公共数据集 | 第18页 |
| 2.2 基于滑窗法的行人检测框架 | 第18-20页 |
| 2.3 特征提取 | 第20-27页 |
| 2.3.1 Haar-like特征 | 第20-22页 |
| 2.3.2 HOG特征 | 第22-24页 |
| 2.3.3 LBP特征 | 第24-25页 |
| 2.3.4 积分通道特征 | 第25-27页 |
| 2.4 分类器的选择 | 第27-31页 |
| 2.4.1 支持向量机 | 第27-29页 |
| 2.4.2 Adaboost | 第29-31页 |
| 2.5 非极大抑制算法 | 第31-33页 |
| 2.6 检测性能评价 | 第33-35页 |
| 2.7 本章小结 | 第35-36页 |
| 第3章 基于改进的快速特征金字塔行人检测的算法 | 第36-54页 |
| 3.1 快速金字塔行人检测算法 | 第36-43页 |
| 3.1.1 快速金字塔行人检测的框架 | 第36-37页 |
| 3.1.2 聚合通道特征 | 第37-38页 |
| 3.1.3 快速特征金字塔的计算 | 第38-41页 |
| 3.1.4 Bootstrapping训练机制的引入 | 第41-43页 |
| 3.2 模板积分特征 | 第43-47页 |
| 3.2.1 模板积分特征的原理 | 第43-44页 |
| 3.2.2 模板的大小对特征的影响 | 第44-45页 |
| 3.2.3 模板系数对特征的影响 | 第45页 |
| 3.2.4 实验结果与分析 | 第45-47页 |
| 3.3 基于离线选择的ACF特征 | 第47-52页 |
| 3.3.1 基于离线选择ACF特征的原理 | 第47-49页 |
| 3.3.2 基于决策树的特征选择 | 第49-51页 |
| 3.3.3 实验结果与分析 | 第51-52页 |
| 3.4 本章小结 | 第52-54页 |
| 第4章 基于稀疏表示分类行人检测的二级检测 | 第54-66页 |
| 4.1 单一检测器存在的问题 | 第54-55页 |
| 4.2 稀疏表示理论 | 第55-56页 |
| 4.3 基于稀疏表示分类的二级行人检测 | 第56-61页 |
| 4.3.1 二级检测的框架 | 第56-57页 |
| 4.3.2 改进的HOG特征 | 第57-58页 |
| 4.3.3 利用稀疏系数判别行人 | 第58-60页 |
| 4.3.4 对数平均漏检率的计算 | 第60-61页 |
| 4.4 实验结果与分析 | 第61-64页 |
| 4.4.1 正则系数λ对实验结果的影响 | 第62页 |
| 4.4.2 二级检测与前级检测结果的对比 | 第62-64页 |
| 4.5 本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第73-74页 |
| 致谢 | 第74页 |