| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第1章 绪论 | 第8-15页 |
| ·研究背景 | 第8-12页 |
| ·研究现状 | 第12-14页 |
| ·本文的研究目标 | 第14页 |
| ·本论文的组织 | 第14-15页 |
| 第2章 相关背景理论介绍 | 第15-27页 |
| ·基于HOG的行人检测方法综述 | 第15-21页 |
| ·HOG行人检测介绍 | 第15-16页 |
| ·HOG理论描述 | 第16-17页 |
| ·HOG行人检测算法的实现 | 第17-21页 |
| ·Rough集理论 | 第21-24页 |
| ·信息系统 | 第21页 |
| ·不可区分关系 | 第21-22页 |
| ·上下近似集 | 第22-23页 |
| ·约简 | 第23-24页 |
| ·分类 | 第24页 |
| ·SVM支持向量机 | 第24-27页 |
| ·SVM产生的动机 | 第24-25页 |
| ·SVM的原理 | 第25页 |
| ·SVM的特征 | 第25-26页 |
| ·SVM工具 | 第26-27页 |
| 第3章 基于Rough集理论改进的HOG特征行人检测方法 | 第27-50页 |
| ·介绍 | 第27-28页 |
| ·方法 | 第28-32页 |
| ·训练过程 | 第28-30页 |
| ·检测过程 | 第30-32页 |
| ·行人数据源 | 第32页 |
| ·HOG特征的扩展及提取 | 第32-35页 |
| ·基于信息熵的HOG特征维离散化 | 第35-38页 |
| ·基于Rough集理论的属性重要度计算 | 第38-40页 |
| ·方法一：边界域比例 | 第38-39页 |
| ·方法二：改进的区分矩阵 | 第39-40页 |
| ·Block的重要度排序 | 第40-42页 |
| ·SVM级联分类器的训练 | 第42-46页 |
| ·实验结果 | 第46-48页 |
| ·本章提出的行人检测方法总结 | 第48-50页 |
| ·总结本章的主要方法 | 第48-49页 |
| ·实验中的额外尝试 | 第49-50页 |
| 第4章 检测过程中的一些其他处理 | 第50-56页 |
| ·背景擦除 | 第50-52页 |
| ·滑动窗口检测 | 第52-56页 |
| ·基于窗口重叠法的方法 | 第53-54页 |
| ·基于加权集合覆盖问题的方法 | 第54页 |
| ·基于Mean-Shift的方法 | 第54-56页 |
| 第5章 行人检测系统设计 | 第56-64页 |
| ·系统功能模块介绍 | 第56-58页 |
| ·行人检测结果与分析 | 第58-62页 |
| ·本章总结 | 第62-64页 |
| 第6章 总结与展望 | 第64-66页 |
| ·总结 | 第64-65页 |
| ·展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-69页 |