| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 研究难点 | 第9-10页 |
| 1.3 目标识别的研究现状 | 第10-14页 |
| 1.3.1 特征提取 | 第10-12页 |
| 1.3.2 两种检测策略 | 第12-14页 |
| 1.4 本文的主要研究内容及内容安排 | 第14-16页 |
| 第2章 基于高斯混合模型的objectness的候选生成 | 第16-34页 |
| 2.1 常用的颜色模型 | 第16-20页 |
| 2.1.1 RGB颜色模型 | 第16-17页 |
| 2.1.2 HSV颜色模型 | 第17-18页 |
| 2.1.3 LAB颜色空间 | 第18页 |
| 2.1.4 颜色空间转换 | 第18-19页 |
| 2.1.5 颜色空间选取 | 第19-20页 |
| 2.2 高斯混合模型 | 第20-28页 |
| 2.2.1 高斯混合模型的定义 | 第20-21页 |
| 2.2.2 高斯混合模型的训练 | 第21-22页 |
| 2.2.3 EM算法的参数估计 | 第22-27页 |
| 2.2.4 基于高斯混合模型的颜色分割 | 第27-28页 |
| 2.3 objectness的候选框生成 | 第28-31页 |
| 2.3.1 objectness方法概述 | 第29页 |
| 2.3.2 方法使用的特征 | 第29-31页 |
| 2.3.3 利用objectness产生候选边界框 | 第31页 |
| 2.4 基于GMM算法的候选边界框的生成 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第3章 基于Haar模板的空间金字塔的候选生成 | 第34-50页 |
| 3.1 LBP特征 | 第34-38页 |
| 3.1.1 基本的LBP特征 | 第34-36页 |
| 3.1.2 旋转模式 | 第36-37页 |
| 3.1.3 LBP等价模式 | 第37-38页 |
| 3.2 Haar-like特征 | 第38页 |
| 3.3 SPM空间金字塔 | 第38-40页 |
| 3.4 基于Haar-like特征的空间金字塔LBP特征提取 | 第40-43页 |
| 3.4.1 特征提取方法 | 第40-42页 |
| 3.4.2 实验结果及分析 | 第42-43页 |
| 3.5 Adaboost算法 | 第43-46页 |
| 3.5.1 Adaboost算法介绍 | 第43-45页 |
| 3.5.2 级联分类器构造 | 第45-46页 |
| 3.6 基于级联Adaboost算法的候选区域生成 | 第46-49页 |
| 3.6.1 算法流程 | 第46-47页 |
| 3.6.2 实验结果与分析 | 第47-49页 |
| 3.7 本章小结 | 第49-50页 |
| 第4章 基于DPM的精检测 | 第50-58页 |
| 4.1 HOG特征提取 | 第50-51页 |
| 4.2 可形变部件模型 | 第51-54页 |
| 4.2.1 模型滤波器 | 第51页 |
| 4.2.2 可形变部件模型建模 | 第51-52页 |
| 4.2.3 模型匹配 | 第52-53页 |
| 4.2.4 模型训练 | 第53-54页 |
| 4.3 基于候选生成的DPM的检测 | 第54页 |
| 4.4 实验 | 第54-57页 |
| 4.4.1 训练样本 | 第54-55页 |
| 4.4.2 评估标准 | 第55页 |
| 4.4.3 实验结果 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65页 |
