倒车场景下基于单目视觉的行人检测研究与实现
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·课题研究的背景及意义 | 第11-12页 |
| ·行人检测研究概述 | 第12-15页 |
| ·行人检测传感器 | 第12页 |
| ·基于非视觉传感器的行人检测研究现状 | 第12-13页 |
| ·基于计算机视觉的行人检测研究现状 | 第13-15页 |
| ·国内行人检测研究现状 | 第15页 |
| ·本文主要工作 | 第15-16页 |
| ·本文组织结构 | 第16-17页 |
| 第2章 基于有效边缘的候选区域分割 | 第17-29页 |
| ·图像预处理 | 第18-22页 |
| ·图像平滑处理 | 第18-20页 |
| ·图像形态学处理 | 第20-22页 |
| ·图像边缘增强 | 第22-26页 |
| ·图像边缘检测算子 | 第22-25页 |
| ·行人边缘增强 | 第25-26页 |
| ·行人候选区域分割 | 第26-28页 |
| ·线性滤波 | 第26页 |
| ·有效边缘提取 | 第26-27页 |
| ·候选区域分割 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于Adaboost算法的行人识别 | 第29-43页 |
| ·计算机视觉中的机器学习理论 | 第29-30页 |
| ·Adaboost算法分析 | 第30-32页 |
| ·Adaboost算法流程 | 第30-31页 |
| ·Adaboost算法收敛性 | 第31页 |
| ·Adaboost算法泛化能力 | 第31-32页 |
| ·基于Adaboost算法的行人训练 | 第32-40页 |
| ·样本集准备 | 第33-34页 |
| ·特征提取 | 第34-37页 |
| ·弱分类器学习 | 第37-38页 |
| ·强分类器 | 第38-39页 |
| ·级联分类器 | 第39页 |
| ·训练结果分析 | 第39-40页 |
| ·行人检测 | 第40-42页 |
| ·级联分类器检测框架 | 第41页 |
| ·本文行人检测 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 基于改进CamShift算法的行人跟踪 | 第43-57页 |
| ·运动目标跟踪方法研究 | 第43-46页 |
| ·基于运动检测的目标跟踪算法 | 第43-45页 |
| ·基于匹配的目标跟踪 | 第45-46页 |
| ·CamShift算法概述 | 第46-51页 |
| ·MeanShift算法原理 | 第46-49页 |
| ·CamShift算法原理 | 第49-51页 |
| ·基于CamShift算法的行人目标跟踪 | 第51-56页 |
| ·HSV色彩模型 | 第52页 |
| ·计算色彩概率分布图 | 第52-54页 |
| ·基于改进收敛条件的行人跟踪 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 倒车场景下的行人预警系统 | 第57-73页 |
| ·摄像机标定 | 第57-66页 |
| ·摄像机标定方法研究 | 第57-58页 |
| ·摄像机成像 | 第58-62页 |
| ·本文摄像机标定过程 | 第62-66页 |
| ·预警模型 | 第66-72页 |
| ·定位模型 | 第66-67页 |
| ·实验分析 | 第67-68页 |
| ·基于计算机视觉的预警模型 | 第68-71页 |
| ·与超声波结合的预警模型 | 第71-72页 |
| ·本章小结 | 第72-73页 |
| 第6章 系统实验测试及性能分析 | 第73-77页 |
| ·鲁棒性测试 | 第73-74页 |
| ·实时性测试 | 第74-76页 |
| ·本章小结 | 第76-77页 |
| 第7章 总结及展望 | 第77-79页 |
| ·本文工作总结 | 第77页 |
| ·下一步工作展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83页 |
