| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-10页 |
| 1 绪论 | 第10-12页 |
| ·研究背景与意义 | 第10-11页 |
| ·论文组织 | 第11-12页 |
| 2 行人检测技术综述 | 第12-22页 |
| ·研究方法 | 第12-13页 |
| ·基于模板轮廓匹配的方法 | 第12页 |
| ·基于机器学习的方法 | 第12-13页 |
| ·行人检测中的特征提取 | 第13-18页 |
| ·基于整体特征的方法 | 第15-17页 |
| ·Haar-like 特征 | 第15页 |
| ·HoG 特征 | 第15-17页 |
| ·基于多部位的方法 | 第17-18页 |
| ·自适应组合分类器 | 第17页 |
| ·基于贝叶斯推断的组合算法 | 第17-18页 |
| ·研究难点 | 第18-21页 |
| ·本章小结 | 第21-22页 |
| 3 基于分层 HoG 特征的行人检测 | 第22-34页 |
| ·样本选取 | 第22-23页 |
| ·行人样本选取 | 第22页 |
| ·非行人样本选取 | 第22-23页 |
| ·分层 HoG 特征描述 | 第23-24页 |
| ·Gentle AdaBoost 分类器模型 | 第24-27页 |
| ·弱分类器的表示形式 | 第25-26页 |
| ·强分类器的表示形式 | 第26页 |
| ·级联分类器的结构 | 第26-27页 |
| ·Gentle AdaBoost 分类器的训练过程 | 第27-31页 |
| ·弱分类器的训练过程与分析 | 第27-29页 |
| ·强分类器的训练过程与分析 | 第29-31页 |
| ·级联分类器的训练过程与分析 | 第31页 |
| ·实验结果与分析 | 第31-33页 |
| ·分类器的性能指标 | 第31-32页 |
| ·实验结果 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 4 基于 SVM 特征预过滤的 Gentle AdaBoost 行人检测 | 第34-45页 |
| ·线性 SVM | 第34-37页 |
| ·线性可分情况 | 第34-36页 |
| ·线性不可分 | 第36-37页 |
| ·基于线性 SVM 特征预过滤的分类器模型 | 第37-44页 |
| ·R-SVM 的核心思想 | 第37-39页 |
| ·基于线性 SVM 的特征预过滤的分类器模型算法描述 | 第39-40页 |
| ·实验结果与分析 | 第40-44页 |
| ·本章小结 | 第44-45页 |
| 5 基于固定摄像头的视频行人检测 | 第45-56页 |
| ·基于静态图片的人体检测 | 第45-50页 |
| ·检测的具体过程 | 第46-47页 |
| ·多重尺度目标定位 | 第47-50页 |
| ·用于目标定位的二元分类器 | 第47页 |
| ·非最大值抑制原理 | 第47-49页 |
| ·非最大值抑制的实现 | 第49-50页 |
| ·基于固定摄像头的视频行人检测 | 第50-54页 |
| ·背景建模 | 第50-51页 |
| ·二值图像处理 | 第51-53页 |
| ·形态学处理 | 第51-52页 |
| ·连通区域标记 | 第52-53页 |
| ·运动区域检测结果 | 第53-54页 |
| ·本章小结 | 第54-56页 |
| 6 总结与展望 | 第56-58页 |
| ·本文的工作及贡献 | 第56页 |
| ·工作展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |
