| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-11页 |
| ·行人检测面临的挑战 | 第11-13页 |
| ·行人检测的研究概况 | 第13-15页 |
| ·论文主要工作 | 第15-16页 |
| 第二章 行人检测框架及性能评价 | 第16-22页 |
| ·基于窗口的行人检测整体流程 | 第16-17页 |
| ·数据集及评价系统 | 第17-21页 |
| ·数据集的预处理 | 第17-19页 |
| ·算法的评价系统 | 第19-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 基于单一特征的行人检测算法 | 第22-43页 |
| ·引言 | 第22页 |
| ·支持向量机(SVM) | 第22-26页 |
| ·最优分类面 | 第23-25页 |
| ·SVM 核函数 | 第25-26页 |
| ·SVM 特点 | 第26页 |
| ·基于HOG 特征的SVM 分类器 | 第26-32页 |
| ·HOG 特征提取 | 第26-30页 |
| ·SVM 训练和检测结果 | 第30-32页 |
| ·基本二值模式(Local Binary Pattern，简称LBP) | 第32-41页 |
| ·基本LBP 算子 | 第33-35页 |
| ·LBP 算子的均匀模式 | 第35-37页 |
| ·LBP 特征提取 | 第37-39页 |
| ·SVM 训练和检测结果 | 第39-41页 |
| ·HOG 特征和LBP 特征的对比分析 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 组合特征和级联AdaBoost 分类器 | 第43-64页 |
| ·HOG-LBP 特征 | 第43-45页 |
| ·HOG 特征的缺点 | 第43-44页 |
| ·HOG-LBP 特征提取 | 第44-45页 |
| ·AdaBoost 算法 | 第45-51页 |
| ·AdaBoost 算法描述 | 第46-50页 |
| ·AdaBoost 算法分析 | 第50-51页 |
| ·级联AdaBoost 算法 | 第51-57页 |
| ·行人检测的不对性 | 第51-52页 |
| ·级联分类器 | 第52-54页 |
| ·实际训练方法 | 第54-56页 |
| ·训练结果 | 第56-57页 |
| ·级联分类器性能 | 第57页 |
| ·检测过程 | 第57-62页 |
| ·窗口融合算法 | 第57-59页 |
| ·检测结果 | 第59-62页 |
| ·实验平台介绍 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69页 |