中文摘要 | 第3-4页 |
abstract | 第4-5页 |
第一章 绪论 | 第9-17页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-13页 |
1.2.1 基于模板匹配的行人检测研究现状 | 第11页 |
1.2.2 基于统计学习的行人检测研究现状 | 第11-13页 |
1.2.3 基于部件检测的行人检测研究现状 | 第13页 |
1.3 现有方法存在的问题 | 第13-14页 |
1.4 论文结构安排 | 第14-17页 |
1.4.1 论文主要研究内容 | 第14页 |
1.4.2 论文章节安排 | 第14-17页 |
第二章 行人检测基础理论 | 第17-29页 |
2.1 引言 | 第17页 |
2.2 算法的难点问题 | 第17-19页 |
2.3 性能评价 | 第19-21页 |
2.3.1 数据库 | 第19页 |
2.3.2 评价指标 | 第19-21页 |
2.4 深度信息 | 第21-22页 |
2.4.1 Kinect相机 | 第21-22页 |
2.4.2 深度图像的特点 | 第22页 |
2.5 图像融合 | 第22-25页 |
2.5.1 像素级融合 | 第22-24页 |
2.5.2 特征级融合 | 第24页 |
2.5.3 决策级融合 | 第24-25页 |
2.6 梯度方向直方图 | 第25-26页 |
2.7 SVM | 第26-29页 |
第三章 融合RGB-D图像HOG特征的行人检测 | 第29-43页 |
3.1 引言 | 第29-30页 |
3.2 小波变换基础 | 第30-34页 |
3.2.1 连续小波变换 | 第30页 |
3.2.2 离散小波变换 | 第30-31页 |
3.2.3 Mallat算法 | 第31页 |
3.2.4 小波变换融合规则 | 第31-34页 |
3.3 融合RGB-D图像HOG特征的行人检测 | 第34-37页 |
3.3.1 算法综述 | 第34-35页 |
3.3.2 图像融合 | 第35页 |
3.3.3 训练分类器 | 第35-36页 |
3.3.4 测试 | 第36-37页 |
3.4 实验结果 | 第37-42页 |
3.4.1 客观评价 | 第37-40页 |
3.4.2 主观评价 | 第40-42页 |
3.5 本章小结 | 第42-43页 |
第四章 融合彩色图像边缘和深度方向直方图的行人检测 | 第43-55页 |
4.1 引言 | 第43-44页 |
4.2 剪切波变换 | 第44-46页 |
4.2.1 剪切波的定义 | 第44-45页 |
4.2.2 离散剪切波变换 | 第45-46页 |
4.3 边缘特征 | 第46-47页 |
4.4 深度方向直方图 | 第47页 |
4.5 融合彩色图像边缘和深度方向直方图的行人检测 | 第47-49页 |
4.5.1 算法综述 | 第47-48页 |
4.5.2 训练分类器 | 第48-49页 |
4.5.3 测试 | 第49页 |
4.6 实验结果 | 第49-54页 |
4.6.1 客观评价 | 第50-51页 |
4.6.2 主观评价 | 第51-54页 |
4.7 本章小结 | 第54-55页 |
第五章 总结与展望 | 第55-57页 |
5.1 工作总结 | 第55页 |
5.2 工作展望 | 第55-57页 |
参考文献 | 第57-63页 |
致谢 | 第63-65页 |
攻读硕士学位期间发表论文及研究 | 第65页 |