| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 行人检测算法的研究现状 | 第12-14页 |
| 1.2.2 图像处理硬件平台的发展现状 | 第14-15页 |
| 1.3 行人检测面临的难点 | 第15-17页 |
| 1.4 本研究的技术路线 | 第17页 |
| 1.5 本文主要工作及组织结构 | 第17-19页 |
| 第2章 运动目标提取相关理论基础 | 第19-37页 |
| 2.1 行人检测一般算法流程 | 第19页 |
| 2.2 图像预处理 | 第19-20页 |
| 2.2.1 邻域滤波 | 第20页 |
| 2.2.2 中值滤波 | 第20页 |
| 2.3 运动目标提取 | 第20-31页 |
| 2.3.1 帧间差分法 | 第21-22页 |
| 2.3.2 背景差分法 | 第22-25页 |
| 2.3.3 光流场法 | 第25-31页 |
| 2.4 图像形态学滤波 | 第31-32页 |
| 2.4.1 腐蚀 | 第31-32页 |
| 2.4.2 膨胀 | 第32页 |
| 2.4.3 开运算和闭运算 | 第32页 |
| 2.5 连通区域标记 | 第32-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第3章 行人识别技术的研究 | 第37-53页 |
| 3.1 基于头部特征的行人分割算法 | 第38-39页 |
| 3.1.1 区域属性提取 | 第38页 |
| 3.1.2 行人分割 | 第38-39页 |
| 3.2 提取HOG特征 | 第39-43页 |
| 3.2.1 图像缩放 | 第39-41页 |
| 3.2.2 HOG特征提取 | 第41-43页 |
| 3.3 SVM分类器的设计 | 第43-48页 |
| 3.4 行人识别系统在Matlab平台上的实现 | 第48-52页 |
| 3.4.1 人体目标训练样本 | 第48-49页 |
| 3.4.2 提取训练样本的HOG特征 | 第49页 |
| 3.4.3 训练SVM分类器 | 第49-50页 |
| 3.4.4 验证训练好的SVM的行人识别效果 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 行人检测硬件系统的设计 | 第53-65页 |
| 4.1 系统硬件平台的搭建 | 第53-56页 |
| 4.1.1 ARM微处理器 | 第54页 |
| 4.1.2 摄像头 | 第54-55页 |
| 4.1.3 网络接口 | 第55页 |
| 4.1.4 串口接口 | 第55页 |
| 4.1.5 TF卡接口 | 第55-56页 |
| 4.2 嵌入式Linux平台的构建 | 第56-57页 |
| 4.2.1 系统引导代码BootLoader(Uboot的编译) | 第56-57页 |
| 4.2.2 Linux内核的编译 | 第57页 |
| 4.3 图像的采集和传输 | 第57-60页 |
| 4.3.1 基于V4L2的USB摄像头采集程序设计 | 第57-58页 |
| 4.3.2 图像传输 | 第58-60页 |
| 4.4 行人识别 | 第60页 |
| 4.5 行人检测系统的调试及结果分析 | 第60-64页 |
| 4.5.1 代码移植及硬件调试 | 第61-63页 |
| 4.5.2 行人检测系统结果分析 | 第63-64页 |
| 4.6 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 工作总结 | 第65页 |
| 5.2 工作展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 攻读硕士期间发表的论文 | 第73页 |