| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究难点 | 第10-11页 |
| 1.3 研究现状 | 第11-12页 |
| 1.4 本文主要工作 | 第12页 |
| 1.5 本文章节组织结构 | 第12-14页 |
| 第二章 行人检测相关技术 | 第14-25页 |
| 2.1 引言 | 第14页 |
| 2.2 行人运动前景检测 | 第14-17页 |
| 2.2.1 帧差法 | 第14-15页 |
| 2.2.2 背景减除法 | 第15-16页 |
| 2.2.3 光流法 | 第16-17页 |
| 2.3 行人图像特征 | 第17-21页 |
| 2.3.1 积分图 | 第17-18页 |
| 2.3.2 Edgelet特征 | 第18-19页 |
| 2.3.3 HOG特征 | 第19-20页 |
| 2.3.4 CENTRIST特征 | 第20-21页 |
| 2.4 行人分类器算法 | 第21-24页 |
| 2.4.1 贝叶斯分类 | 第21页 |
| 2.4.2 人工神经网络 | 第21-22页 |
| 2.4.3 Adaboost | 第22-23页 |
| 2.4.4 支持向量机 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于深度自编码网络的行人前景检测方法 | 第25-36页 |
| 3.1 引言 | 第25-26页 |
| 3.2 改进的基于深度自编码网络前景检测方法 | 第26-29页 |
| 3.2.1 深度自编码网络 | 第26-27页 |
| 3.2.2 改进的基于深度自编码网络的前景检测算法 | 第27-29页 |
| 3.3 行人检测中前景提取主要流程 | 第29-33页 |
| 3.4 实验 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 行人特征设计与提取 | 第36-45页 |
| 4.1 引言 | 第36页 |
| 4.2 特征选取 | 第36-38页 |
| 4.3 行人部位联合特征的构造与提取 | 第38-42页 |
| 4.4 实验 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 基于多自编码网络与支持向量机的行人检测算法 | 第45-68页 |
| 5.1 引言 | 第45页 |
| 5.2 基于多自编码网络与支持向量机的行人检测算法模型 | 第45-56页 |
| 5.2.1 多自编码网络层 | 第46-51页 |
| 5.2.1.1 单个深度自编码网络构造 | 第47-50页 |
| 5.2.1.2 多自编码网络组织结构 | 第50-51页 |
| 5.2.2 支持向量机层 | 第51-56页 |
| 5.2.2.1 Bootstrap-SVM模型 | 第52-54页 |
| 5.2.2.2 级联SVM模型 | 第54-56页 |
| 5.3 基于多自编码网络与支持向量机的行人检测算法实现 | 第56-63页 |
| 5.3.1 多自编码网络层实现 | 第56-60页 |
| 5.3.2 SVM层实现 | 第60-63页 |
| 5.4 行人检测效果实验 | 第63-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 个人简介和攻读硕士期间的成果 | 第74-75页 |
