| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 研究现状 | 第8-10页 |
| 1.2.1 传统的人体检测方法 | 第9页 |
| 1.2.2 基于统计学习的人体检测方法 | 第9-10页 |
| 1.3 研究难度 | 第10-11页 |
| 1.4 本论文的主要工作和创新点 | 第11页 |
| 1.5 论文结构 | 第11-13页 |
| 第二章 特征提取方法 | 第13-30页 |
| 2.1 Local Binary Pattern(LBP)特征 | 第13-17页 |
| 2.2 矩形特征 | 第17-20页 |
| 2.3 Scale Invariant Feature Transform(SIFT)特征 | 第20-24页 |
| 2.4 Histogram Oriented Gradient(HOG)特征 | 第24-29页 |
| 2.5 本章 小结 | 第29-30页 |
| 第三章 分类器介绍 | 第30-42页 |
| 3.1 Adaboost分类器 | 第30-32页 |
| 3.2 Cascade(级联)分类器 | 第32-34页 |
| 3.3 支持向量机(SVM) | 第34-41页 |
| 3.4 本章 小结 | 第41-42页 |
| 第四章 基于角度分解和卷积模板的HOG特征计算方法 | 第42-46页 |
| 4.1 卷积模板的HOG特征 | 第42-44页 |
| 4.2 改进的基于角度分解和卷积模板的HOG特征 | 第44-45页 |
| 4.3 本章 小结 | 第45-46页 |
| 第五章 共生HOG特征(Co-HOG) | 第46-51页 |
| 5.1 共生HOG特征 | 第46-48页 |
| 5.2 改进的Co-HOG算法 | 第48-50页 |
| 5.3 本章 小结 | 第50-51页 |
| 第六章 实验与数据分析 | 第51-59页 |
| 6.1 人体检测系统基本结构 | 第51-52页 |
| 6.2 分类器选择 | 第52-53页 |
| 6.3 训练过程 | 第53页 |
| 6.4 实验数据说明 | 第53-55页 |
| 6.5 实验结果与分析 | 第55-57页 |
| 6.6 本章 小结 | 第57-59页 |
| 第七章 总结与展望 | 第59-61页 |
| 7.1 总结 | 第59页 |
| 7.2 展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 发表论文和参加科研情况说明 | 第64-65页 |
| 致谢 | 第65页 |
