| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 行人检测研究背景和难点 | 第15-16页 |
| 1.2 行人检测系统的研究现状 | 第16-19页 |
| 1.2.1 国外研究现状 | 第17-18页 |
| 1.2.2 国内研究现状 | 第18-19页 |
| 1.3 论文的主要创新点和结构安排 | 第19-21页 |
| 1.3.1 论文的主要创新点 | 第19页 |
| 1.3.2 本文研究内容和结构安排 | 第19-21页 |
| 第二章 行人检测特征提取与分类方法介绍 | 第21-35页 |
| 2.1 行人检测特征提取 | 第21-27页 |
| 2.1.1 引言 | 第21页 |
| 2.1.2 Haar-like特征 | 第21-22页 |
| 2.1.3 HOG特征 | 第22-26页 |
| 2.1.4 CENTRIST特征 | 第26-27页 |
| 2.2 行人检测分类算法 | 第27-34页 |
| 2.2.1 引言 | 第27-28页 |
| 2.2.2 支持向量机 | 第28-32页 |
| 2.2.2.1 线性可分支持向量机 | 第28-31页 |
| 2.2.2.2 线性不可分支持向量机 | 第31页 |
| 2.2.2.3 非线性支持向量机 | 第31-32页 |
| 2.2.3 Adaboost算法 | 第32-34页 |
| 2.3 本章小结 | 第34-35页 |
| 第三章 基于特征融合和交叉核SVM的快速行人检测方法 | 第35-48页 |
| 3.1 引言 | 第35-36页 |
| 3.2 特征提取与融合 | 第36-39页 |
| 3.2.1 积分通道特征 | 第36-37页 |
| 3.2.2 多层次导向边缘能量特征 | 第37-38页 |
| 3.2.3 特征融合 | 第38-39页 |
| 3.3 主元分析 | 第39-40页 |
| 3.4 直方图交叉核SVM | 第40-41页 |
| 3.5 实验 | 第41-46页 |
| 3.5.1 数据集 | 第41-42页 |
| 3.5.2 实验结果与分析 | 第42-45页 |
| 3.5.3 特征融合性能分析 | 第45-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第四章 基于多特征多核学习的行人检测 | 第48-57页 |
| 4.1 引言 | 第48-49页 |
| 4.2 多核学习的研究现状 | 第49-50页 |
| 4.3 多核学习 | 第50-53页 |
| 4.4 实验结果与分析 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 论文总结 | 第57页 |
| 5.2 未来工作研究展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间参与科研项目及发表的论文 | 第64-65页 |