基于多异构特征融合的行人检测系统研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13页 |
| 1.3 行人检测与识别技术的难点 | 第13-14页 |
| 1.4 本文主要工作 | 第14-16页 |
| 1.4.1 本文研究内容 | 第14-15页 |
| 1.4.2 本文的主要结构 | 第15-16页 |
| 第二章 预备知识 | 第16-30页 |
| 2.1 模式识别 | 第16页 |
| 2.2 机器学习 | 第16-20页 |
| 2.2.1 机器学习系统 | 第17-18页 |
| 2.2.2 机器学习方法分类 | 第18-20页 |
| 2.3 传感器介绍与分析 | 第20-22页 |
| 2.4 特征描述 | 第22-27页 |
| 2.4.1 小波特征 | 第23-24页 |
| 2.4.2 纹理特征 | 第24-25页 |
| 2.4.3 边缘特征 | 第25页 |
| 2.4.4 颜色特征 | 第25-27页 |
| 2.5 聚类方法分析 | 第27-30页 |
| 2.5.1 聚类分析概述 | 第27页 |
| 2.5.2 聚类算法的分类 | 第27-28页 |
| 2.5.3 K-means聚类 | 第28-30页 |
| 第三章 基于多异构特征融合的行人特征表达 | 第30-44页 |
| 3.1 引言 | 第30页 |
| 3.2 经典特征描述 | 第30-38页 |
| 3.2.1 HOG特征 | 第30-34页 |
| 3.2.2 LBP特征 | 第34-38页 |
| 3.2.3 HOG-LBP特征 | 第38页 |
| 3.3 COLOR特征 | 第38-42页 |
| 3.3.1 RGB颜色模型 | 第38-39页 |
| 3.3.2 HSV颜色模型 | 第39-41页 |
| 3.3.3 COLOR特征分析 | 第41-42页 |
| 3.4 多异构特征融合的行人特征 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于多姿态-视角集成的分类器设计 | 第44-65页 |
| 4.1 引言 | 第44页 |
| 4.2 降维方法分析 | 第44-51页 |
| 4.2.1 LLE方法降维 | 第45-46页 |
| 4.2.2 S-Isomap方法降维 | 第46-51页 |
| 4.3 主流分类器模型介绍 | 第51-61页 |
| 4.3.1 Adaboost分类器 | 第51-52页 |
| 4.3.2 支持向量机 | 第52-61页 |
| 4.4 集成分类器的设计 | 第61-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 实验结果与分析 | 第65-72页 |
| 5.1 数据集 | 第65页 |
| 5.2 系统运行环境 | 第65页 |
| 5.3 实验过程以及结果分析 | 第65-71页 |
| 5.3.1 多特征融合的权重选择 | 第65-67页 |
| 5.3.2 融合特征与其他经典特征的对比 | 第67-68页 |
| 5.3.3 多姿态多视角行人自动聚类划分实验结果 | 第68-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 回顾与总结 | 第72-73页 |
| 6.2 未来工作展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 研究生期间发表论文情况 | 第80页 |
