雷达与视频相融合的行人检测技术研究
| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-27页 |
| 1.1 研究背景及意义 | 第11-16页 |
| 1.1.1 广泛的应用领域 | 第11-15页 |
| 1.1.2 在多源融合中发展 | 第15-16页 |
| 1.2 行人检测的研究内容和主要难点 | 第16-19页 |
| 1.2.1 行人检测的一般性过程 | 第16页 |
| 1.2.2 候选域生成的难点分析 | 第16-18页 |
| 1.2.3 候选域分类的难点分析 | 第18-19页 |
| 1.3 国内外研究现状 | 第19-26页 |
| 1.3.1 候选域生成 | 第19-23页 |
| 1.3.2 候选域分类 | 第23-26页 |
| 1.4 论文内容及结构安排 | 第26-27页 |
| 第二章 运动目标检测与行人检测的基本理论 | 第27-38页 |
| 2.1 运动目标检测的基本理论 | 第27-32页 |
| 2.1.1 帧差法 | 第27-29页 |
| 2.1.2 背景减除法 | 第29-30页 |
| 2.1.3 光流法 | 第30-32页 |
| 2.2 行人检测的基本理论 | 第32-37页 |
| 2.2.1 行人检测方法的分类 | 第32-33页 |
| 2.2.2 基于特征的行人检测方法 | 第33-37页 |
| 2.3 本章小结 | 第37-38页 |
| 第三章 基于视频的多姿态行人检测方法 | 第38-55页 |
| 3.1 检测的总体流程 | 第38-39页 |
| 3.2 背景建模方法 | 第39-42页 |
| 3.2.1 混合高斯模型的基本理论 | 第39-40页 |
| 3.2.2 K-Means算法初始化模型 | 第40-41页 |
| 3.2.3 最大期望法求解参数 | 第41-42页 |
| 3.2.4 基于学习率的更新算法 | 第42页 |
| 3.3 候选域分类的特征选择 | 第42-46页 |
| 3.3.1 传统的尺度不变性特征 | 第43-44页 |
| 3.3.2 适用于行人的特征 | 第44-46页 |
| 3.4 分类方法及分类器选择 | 第46-51页 |
| 3.4.1 基于最大间隔准则支持向量机 | 第46-50页 |
| 3.4.2 行人的多姿态问题性 | 第50-51页 |
| 3.5 实验及结果分析 | 第51-54页 |
| 3.6 本章小结 | 第54-55页 |
| 第四章 雷达与视频相融合的行人检测方法 | 第55-63页 |
| 4.1 雷达与视频融合的总体流程 | 第55-56页 |
| 4.2 从目标的距离导出面积 | 第56-57页 |
| 4.3 雷达与视频图像相融合 | 第57-60页 |
| 4.3.1 候选域生成 | 第57-60页 |
| 4.3.2 候选域分类 | 第60页 |
| 4.4 实验结果及分析 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 全文工作总结 | 第63页 |
| 5.2 未来研究展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 作者在学期间取得的学术成果 | 第71页 |
