自动驾驶背景下的行人检测技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 无人驾驶技术的国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13页 |
| 1.3 行人检测技术的研究现状 | 第13-14页 |
| 1.4 本文研究内容 | 第14-16页 |
| 第2章 目标检测算法与应用技术概述 | 第16-28页 |
| 2.1 图像链码区域标记算法 | 第16-20页 |
| 2.1.1 链码的单次扫描算法 | 第17-18页 |
| 2.1.2 边界特征提取 | 第18-20页 |
| 2.2 彩色图像处理技术 | 第20-25页 |
| 2.2.1 RGB色彩空间 | 第21-23页 |
| 2.2.2 CIEXYZ和CIELab色彩空间 | 第23-24页 |
| 2.2.3 色彩空间选择 | 第24-25页 |
| 2.3 嵌入式图像处理技术 | 第25-27页 |
| 2.3.1 FPGA和图像处理 | 第25-26页 |
| 2.3.2 基于FPGA的设计流程 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于超像素的图像分割算法及FPGA实现 | 第28-41页 |
| 3.1 超像素 | 第28-29页 |
| 3.2 SLIC算法及改进 | 第29-33页 |
| 3.2.1 算法原理 | 第29-30页 |
| 3.2.2 算法改进 | 第30-33页 |
| 3.3 算法的FPGA实现 | 第33-35页 |
| 3.3.1 2 S×2S窗口模块 | 第34-35页 |
| 3.3.2 聚类中心确定模块 | 第35页 |
| 3.4 实验结果与分析 | 第35-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 单帧图像的行人检测算法 | 第41-53页 |
| 4.1 SVM+HOG行人检测算法 | 第41-45页 |
| 4.1.1 SVM分类原理 | 第41-43页 |
| 4.1.2 HOG特征描述 | 第43-45页 |
| 4.2 决策树和随机森林 | 第45-48页 |
| 4.2.1 决策树的分类原理 | 第45-47页 |
| 4.2.2 随机森林 | 第47-48页 |
| 4.3 随机森林的分类过程 | 第48-49页 |
| 4.3.1 基于C-HOG的决策树生成 | 第48-49页 |
| 4.3.2 随机森林的分类 | 第49页 |
| 4.4 随机森林+SVM的快速行人检测模型 | 第49-50页 |
| 4.5 实验与分析 | 第50-51页 |
| 4.6 本章小结 | 第51-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间所发表的学术论文 | 第58-59页 |
| 致谢 | 第59页 |
