| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 课题的研究背景 | 第8-10页 |
| 1.2 课题的研究意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 国外研究现状 | 第11-12页 |
| 1.3.2 国内研究现状 | 第12-13页 |
| 1.4 行人检测现存的问题 | 第13-14页 |
| 1.4.1 传感器选择 | 第13-14页 |
| 1.4.2 算法检测的实时性和准确率 | 第14页 |
| 1.4.3 测距的准确性 | 第14页 |
| 1.5 本文主要研究内容 | 第14-16页 |
| 第二章 系统软件设计平台搭建 | 第16-26页 |
| 2.1 Visual Studio 2010 与图像处理 | 第16页 |
| 2.2 OpenCV与图像处理 | 第16-19页 |
| 2.2.1 OpenCV与OpenCL简介 | 第16-18页 |
| 2.2.2 OpenCV的结构和内容 | 第18页 |
| 2.2.3 基于OpenCV的加速函数 | 第18-19页 |
| 2.3 系统软件平台搭建 | 第19-26页 |
| 第三章 行人检测与识别算法研究 | 第26-45页 |
| 3.1 行人检测概述 | 第26-27页 |
| 3.2 行人检测算法流程 | 第27-29页 |
| 3.3 行人数据库 | 第29-30页 |
| 3.3.1 INRIA数据库 | 第29-30页 |
| 3.3.2 Caltech数据库 | 第30页 |
| 3.3.3 MIT CBCL数据库 | 第30页 |
| 3.4 行人特征 | 第30-39页 |
| 3.4.1 特征以及特征选择概述 | 第30-31页 |
| 3.4.2 边缘特征提取 | 第31-34页 |
| 3.4.3 行人感兴趣区域划分 | 第34-36页 |
| 3.4.4 梯度方向直方图（HOG）特征 | 第36-39页 |
| 3.5 行人识别分类器 | 第39-44页 |
| 3.5.1 分类器概述 | 第39页 |
| 3.5.2 支持向量机（SVM）的分类器训练 | 第39-41页 |
| 3.5.3 分类器检测 | 第41页 |
| 3.5.4 行人检测结果 | 第41-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 基于机器视觉的人车距离测量算法研究 | 第45-54页 |
| 4.1 设计方案 | 第45页 |
| 4.2 硬件系统 | 第45-46页 |
| 4.3 常用测距方法及概述 | 第46-48页 |
| 4.4 单目视觉测距算法 | 第48-53页 |
| 4.4.1 摄像头的安装 | 第48页 |
| 4.4.2 坐标系的选取 | 第48-49页 |
| 4.4.3 算法主要参数 | 第49-51页 |
| 4.4.4 详细计算过程 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 车前行人检测及测距实验及结果分析 | 第54-61页 |
| 5.1 实车试验 | 第54-55页 |
| 5.2 试验结果分析 | 第55-60页 |
| 5.3 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 本文研究成果 | 第61-62页 |
| 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68页 |