| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 行人检测技术国内外研究现状 | 第10-14页 |
| 1.3 主要研究内容 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 行人检测相关理论概述 | 第16-31页 |
| 2.1 行人检测整体结构 | 第16-17页 |
| 2.2 基于统计分类的行人检测特征 | 第17-24页 |
| 2.2.1 HOG 特征提取 | 第17-21页 |
| 2.2.2 Haar Like 特征提取 | 第21-22页 |
| 2.2.3 SIFT 特征提取算法 | 第22-24页 |
| 2.3 行人检测分类方法 | 第24-28页 |
| 2.3.1 支持向量机 | 第24-26页 |
| 2.3.2 AdaBoost 算法 | 第26-28页 |
| 2.4 分类器训练及性能评价 | 第28-30页 |
| 2.4.1 训练库与测试库 | 第28-29页 |
| 2.4.2 分类器算法性能评价 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于单特征的行人检测算法 | 第31-46页 |
| 3.1 基于 HOG 特征的行人检测算法 | 第31-40页 |
| 3.1.1 HOG 检测流程 | 第31-32页 |
| 3.1.2 图像分割 | 第32-33页 |
| 3.1.3 HOG 特征提取 | 第33-35页 |
| 3.1.4 SVM 分类器训练 | 第35-36页 |
| 3.1.5 实验结果分析 | 第36-40页 |
| 3.2 基于 LBP 特征的行人检测 | 第40-45页 |
| 3.2.1 LBP 特征提取 | 第40-43页 |
| 3.2.2 实验结果分析 | 第43-45页 |
| 3.3 本章小结 | 第45-46页 |
| 第4章 基于多特征的行人检测算法 | 第46-55页 |
| 4.1 HOG-LBP 特征组合 | 第46-47页 |
| 4.1.1 HOG-LBP 特征分析 | 第46-47页 |
| 4.1.2 HOG-LBP 特征提取 | 第47页 |
| 4.2 基于 HOG-LBP 行人检测算法 | 第47-54页 |
| 4.2.1 基于多特征 SVM 行人检测 | 第47-50页 |
| 4.2.2 基于多特征级联 Adaboost 行人检测 | 第50-54页 |
| 4.3 本章小结 | 第54-55页 |
| 第5章 行人检测原型系统实现 | 第55-65页 |
| 5.1 OpenCV 技术介绍 | 第55-56页 |
| 5.1.1 OpenCV 主要特点 | 第55页 |
| 5.1.2 OpenCV 主要模块及功能 | 第55-56页 |
| 5.2 本文 OpenCV 配置 | 第56-57页 |
| 5.3 主要功能模块实现 | 第57-64页 |
| 5.3.1 视频采集模块 | 第59-60页 |
| 5.3.2 行人检测模块 | 第60-62页 |
| 5.3.3 结果显示模块 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 工作总结 | 第65-66页 |
| 6.2 工作展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |