| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 引言 | 第10页 |
| 1.2 研究背景和意义 | 第10-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 本文组织结构 | 第14-18页 |
| 1.4.1 本文的主要研究对象 | 第14-15页 |
| 1.4.2 本文的组织结构 | 第15-18页 |
| 第2章 行人检测技术分析 | 第18-31页 |
| 2.1 引言 | 第18页 |
| 2.2 行人检测技术的基本框架 | 第18-20页 |
| 2.3 特征提取 | 第20-23页 |
| 2.4 分类器学习算法 | 第23-28页 |
| 2.5 行人数据库和评价指标 | 第28-29页 |
| 2.5.1 行人数据库 | 第28-29页 |
| 2.5.2 行人检测评价指标 | 第29页 |
| 2.6 本章小结 | 第29-31页 |
| 第3章 基于复合特征的行人检测 | 第31-40页 |
| 3.1 引言 | 第31页 |
| 3.2 HOG特征提取 | 第31-37页 |
| 3.3 HAAR-LIKE特征提取 | 第37-39页 |
| 3.4 复合特征提取 | 第39-40页 |
| 第4章 基于改进HOUGH森林的多目标行人检测算法 | 第40-56页 |
| 4.1 引言 | 第40页 |
| 4.2 HOUGH森林算法 | 第40-44页 |
| 4.2.1 Hough森林训练阶段 | 第41-43页 |
| 4.2.2 Hough森林检测阶段 | 第43-44页 |
| 4.3 基于改进HOUGH森林的行人检测算法 | 第44-50页 |
| 4.3.1 训练学习过程 | 第44-46页 |
| 4.3.2 应用检测过程 | 第46-48页 |
| 4.3.3 优化投票算法 | 第48-50页 |
| 4.3.4 窗口融合 | 第50页 |
| 4.4 实验结果与分析 | 第50-55页 |
| 4.4.1 优化投票算法实验结果 | 第50-52页 |
| 4.4.2 窗口融合实验结果 | 第52-53页 |
| 4.4.3 改进Hough森林方法的实验结果 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 作者简介及在学期间所取得的科研成果 | 第62-63页 |
| 致谢 | 第63页 |