轿车前方行人识别及碰撞预警系统研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 行人检测的背景与意义 | 第11页 |
| 1.2 行人检测的研究现状、发展及问题 | 第11-17页 |
| 1.2.1 技术进展 | 第12-16页 |
| 1.2.2 国内外发展 | 第16-17页 |
| 1.2.3 仍然存在的问题 | 第17页 |
| 1.3 本文主要研究内容及结构安排 | 第17-21页 |
| 第2章 行人检测的特征提取 | 第21-37页 |
| 2.1 基于边缘的特征提取 | 第21-31页 |
| 2.1.1 图像边缘 | 第21-22页 |
| 2.1.2 边缘检测算子 | 第22-29页 |
| 2.1.3 梯度方向直方图 | 第29-31页 |
| 2.2 基于纹理的特征提取 | 第31-33页 |
| 2.2.1 定义 | 第31页 |
| 2.2.2 纹理特征提取方法 | 第31-33页 |
| 2.3 基于Haar的特征提取 | 第33-36页 |
| 2.3.1 haar特征 | 第33-35页 |
| 2.3.2 积分图 | 第35-36页 |
| 2.3.3 行人的haar特征 | 第36页 |
| 2.4 小结 | 第36-37页 |
| 第3章 行人识别分类器 | 第37-59页 |
| 3.1 支持向量机(SVM) | 第37-42页 |
| 3.1.1 线性分类器 | 第37-38页 |
| 3.1.2 最优分类面 | 第38-40页 |
| 3.1.3 支持向量机 | 第40-42页 |
| 3.2 AdaBoost算法 | 第42-46页 |
| 3.2.1 AdaBoost算法简介 | 第42-44页 |
| 3.2.2 级联分类器分析 | 第44-46页 |
| 3.3 训练分类器 | 第46-56页 |
| 3.3.1 基于SVM分类器训练 | 第46-49页 |
| 3.3.2 基于AdaBoost分类器训练 | 第49-56页 |
| 3.4 分类器检测结果 | 第56-58页 |
| 3.4.1 分类器扫描 | 第56页 |
| 3.4.2 检测原理 | 第56-57页 |
| 3.4.3. 检测结果 | 第57-58页 |
| 3.5 小结 | 第58-59页 |
| 第4章 基于Kalman滤波的行人跟踪 | 第59-67页 |
| 4.1 Kalman滤波目标跟踪方法 | 第59-62页 |
| 4.1.1 Kalman滤波算法原理 | 第59-61页 |
| 4.1.2 Kalman滤波的计算流程 | 第61-62页 |
| 4.2 基于Kalman滤波的行人跟踪 | 第62-64页 |
| 4.3 行人跟踪试验 | 第64-65页 |
| 4.4 小结 | 第65-67页 |
| 第5章 行人碰撞预警系统的设计 | 第67-85页 |
| 5.1 系统设计思想 | 第67页 |
| 5.2 系统组成模块 | 第67-76页 |
| 5.2.1 图像采集模块 | 第67-68页 |
| 5.2.2 图像预处理模块 | 第68-69页 |
| 5.2.3 行人检测与跟踪模块 | 第69-72页 |
| 5.2.4 报警模块 | 第72-76页 |
| 5.3 基于单目视觉的行人距离估计 | 第76-79页 |
| 5.3.1 单目视觉测距模型 | 第76-78页 |
| 5.3.2 基于单目视觉的行人距离测量 | 第78-79页 |
| 5.4 行人运动方向的确定 | 第79-80页 |
| 5.5 预防碰撞行人规则的确定 | 第80-81页 |
| 5.6 行人检测预警系统的仿真 | 第81-83页 |
| 5.7 小结 | 第83-85页 |
| 第6章 总结与展望 | 第85-87页 |
| 6.1 总结 | 第85页 |
| 6.2 展望 | 第85-87页 |
| 参考文献 | 第87-93页 |
| 致谢 | 第93页 |
