中文摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第13-27页 |
1.1 选题背景与意义 | 第13-14页 |
1.2 研究现状 | 第14-23页 |
1.2.1 行人检测 | 第14-19页 |
1.2.2 行人跟踪 | 第19-23页 |
1.3 研究的内容 | 第23-24页 |
1.4 论文的基本结构 | 第24-27页 |
第2章 行人检测分类器的训练 | 第27-49页 |
2.1 行人特征的提取 | 第27-31页 |
2.1.1 Haar函数 | 第27-28页 |
2.1.2 类Haar特征介绍 | 第28-29页 |
2.1.3 快速算法 | 第29-31页 |
2.2 分类器的构造 | 第31-41页 |
2.2.1 AdaBoost算法的基本原理 | 第31-33页 |
2.2.2 AdaBoost算法权重更新的改进 | 第33-37页 |
2.2.3 强弱分类器的构造 | 第37-38页 |
2.2.4 级联的多级分类器的训练 | 第38页 |
2.2.5 基于Haar特征和AdaBoost算法行人检测分类器的训练 | 第38-41页 |
2.3 基于边缘特征的行人定位 | 第41-43页 |
2.3.1 检测目标的边缘提取 | 第41页 |
2.3.2 对称性测度与对称轴求取 | 第41-42页 |
2.3.3 行人候选区域的确定 | 第42页 |
2.3.4 行人的验证 | 第42-43页 |
2.4 分割试验的结果与分析 | 第43-47页 |
2.4.1 Haar特征算法试验结果与分析 | 第45-46页 |
2.4.2 HOG特征算法试验结果与分析 | 第46页 |
2.4.3 Haar特征算法与HOG特征算法的比较分析 | 第46-47页 |
2.5 本章小结 | 第47-49页 |
第3章 基于二进制粒-子群优化算法行人识别 | 第49-67页 |
3.1 粒子群优化算法介绍 | 第49-53页 |
3.1.1 粒子群优化算法起源 | 第49-50页 |
3.1.2 粒子群优化算法原理 | 第50-52页 |
3.1.3 粒子群优化算法步骤与流程 | 第52-53页 |
3.2 PSO优化算法的参数设置 | 第53-55页 |
3.3 PSO优化算法的特点分析 | 第55页 |
3.4 PSO优化算法的应用 | 第55-56页 |
3.5 PSO优化算法的改进 | 第56-57页 |
3.6 基于二进制粒子群优化算法的行人识别 | 第57-64页 |
3.6.1 离散余弦变换(DCT) | 第57-60页 |
3.6.2 二进制粒子群优化算法 | 第60-61页 |
3.6.3 实验过程 | 第61-62页 |
3.6.4 BPSO算法与SVM算法试验结果与对比分析 | 第62-64页 |
3.7 本章小结 | 第64-67页 |
第4章 基于结合Mean-Shift的Kalman行人跟踪算法 | 第67-77页 |
4.1 Mean-Shift目标跟踪算法 | 第67-70页 |
4.1.1 Mean-Shift算法介绍 | 第67-68页 |
4.1.2 Mean-Shift算法步骤 | 第68-70页 |
4.2 Kalman滤波基本原理 | 第70-71页 |
4.3 基于Mean-Shift与Kalman滤波相结合的行人跟踪 | 第71-72页 |
4.4 实验结果与对比分析 | 第72-75页 |
4.5 本章小结 | 第75-77页 |
第5章 基于行人检测防碰系统的设计 | 第77-89页 |
5.1 防碰系统的设计理念 | 第77页 |
5.2 系统组成模块 | 第77-81页 |
5.2.1 图像采集模块 | 第77-78页 |
5.2.2 图像预处理模块 | 第78-79页 |
5.2.3 行人检测模块 | 第79-81页 |
5.2.4 报警模块 | 第81页 |
5.3 基于单目视觉的行人距离估计 | 第81-84页 |
5.3.1 单目视觉测距模型 | 第81-83页 |
5.3.2 基于单目视觉的行人距离测量 | 第83-84页 |
5.4 防碰系统规则的确定 | 第84-85页 |
5.5 行人检测防碰系统的仿真 | 第85-87页 |
5.6 本章小结 | 第87-89页 |
第6章 结束语 | 第89-91页 |
6.1 主要工作总结 | 第89-90页 |
6.2 研究展望 | 第90-91页 |
参考文献 | 第91-97页 |
致谢 | 第97页 |