| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 论文的研究背景及意义 | 第8-9页 |
| 1.2 国内外研究的现状 | 第9-10页 |
| 1.3 研究的难点 | 第10-11页 |
| 1.4 本文的结构安排 | 第11-13页 |
| 2 基于统计学习的人体目标检测研究 | 第13-24页 |
| 2.1 引言 | 第13-14页 |
| 2.2 特征表示方法 | 第14-15页 |
| 2.3 特征降维 | 第15-16页 |
| 2.4 常用的分类器 | 第16-22页 |
| 2.4.1 支持向量机 | 第17-19页 |
| 2.4.2 神经网络 | 第19-20页 |
| 2.4.3 提升方法Adaboost | 第20-22页 |
| 2.5 本章小结 | 第22-24页 |
| 3 基于特征融合和级联Adaboost的检测算法研究 | 第24-45页 |
| 3.1 关键问题分析 | 第24-26页 |
| 3.1.1 家庭背景下环境干扰问题 | 第24-25页 |
| 3.1.2 检测的快速性问题 | 第25-26页 |
| 3.2 HOG与LBP特征描述子的提取与融合 | 第26-36页 |
| 3.2.1 HOG特征描述子 | 第26-28页 |
| 3.2.2 用积分图技术计算HOG特征 | 第28-30页 |
| 3.2.3 均匀模式LBP特征的提取 | 第30-33页 |
| 3.2.4 HOG特征的PCA降维 | 第33-36页 |
| 3.2.5 HOG与LBP特征融合 | 第36页 |
| 3.3 级联Adaboost分类算法 | 第36-40页 |
| 3.3.1 Adaboost强分类器的构建 | 第36-37页 |
| 3.3.2 Adaboost级联分类器 | 第37-39页 |
| 3.3.3 分类器的实际训练 | 第39-40页 |
| 3.4 实验结果和分析 | 第40-43页 |
| 3.4.1 分类器性能的分析和比较 | 第40-42页 |
| 3.4.2 算法的检测结果 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 4 基于多尺度和图像旋转的检测方法研究 | 第45-52页 |
| 4.1 多尺度检测方法 | 第45-46页 |
| 4.1.1 图像检测中的多尺度问题 | 第45-46页 |
| 4.1.2 实验结果 | 第46页 |
| 4.2 目标定位中的窗口融合 | 第46-48页 |
| 4.2.1 问题分析 | 第46-47页 |
| 4.2.2 窗口融合算法 | 第47-48页 |
| 4.2.3 实验结果 | 第48页 |
| 4.3 平躺人体目标的防漏检方法 | 第48-51页 |
| 4.3.1 问题分析 | 第48-50页 |
| 4.3.2 图像旋转算法 | 第50页 |
| 4.3.3 实验结果 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 论文总结与展望 | 第52-54页 |
| 5.1 论文总结 | 第52-53页 |
| 5.2 研究工作展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录 | 第59页 |
| A. 攻读硕士学位期间发表的专利 | 第59页 |
| B. 攻读硕士学位期间参与的科研项目 | 第59页 |