| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究难点 | 第10-12页 |
| 1.3 研究现状 | 第12-14页 |
| 1.4 研究的内容以及章节安排 | 第14-16页 |
| 第二章 行人检测中的特征提取 | 第16-32页 |
| 2.1 HOG特征 | 第16-23页 |
| 2.1.1 HOG特征简介 | 第16-18页 |
| 2.1.2 Gamma校正 | 第18-19页 |
| 2.1.3 梯度的计算 | 第19-20页 |
| 2.1.4 梯度方向直方图的统计 | 第20-22页 |
| 2.1.5 将互相重叠的区域归一化 | 第22-23页 |
| 2.1.6 HOG特征小结 | 第23页 |
| 2.2 LBP特征 | 第23-30页 |
| 2.2.1 一般形式的LBP | 第23-26页 |
| 2.2.2 LBP特征的改进形式 | 第26-27页 |
| 2.2.3 对行人图像提取LBP_(8.1)与LBP_(8.1)~(u2)特征 | 第27-30页 |
| 2.3 HOG与LBP_(8.1)、LBP_(8.1)~(u2)特征的融合 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于粗糙集理论的属性约简 | 第32-48页 |
| 3.1 基本概念 | 第32-36页 |
| 3.1.1 粗糙集 | 第32-33页 |
| 3.1.2 上、下近似集 | 第33-35页 |
| 3.1.3 信息系统与决策表 | 第35-36页 |
| 3.2 属性的约简 | 第36-43页 |
| 3.2.1 属性约简与核 | 第36-37页 |
| 3.2.2 属性依赖度 | 第37-39页 |
| 3.2.3 区分矩阵 | 第39-42页 |
| 3.2.4 属性的重要性 | 第42-43页 |
| 3.3 对HOG特征的属性约简 | 第43-47页 |
| 3.3.1 构造特征向量决策表 | 第44-45页 |
| 3.3.2 连续数据离散化 | 第45-46页 |
| 3.3.3 对HOG进行特征选择 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 支持向量机 | 第48-62页 |
| 4.1 机器学习 | 第48-49页 |
| 4.1.1 学习问题的一般表示 | 第48-49页 |
| 4.1.2 机器学习方法的分类 | 第49页 |
| 4.2 统计学习理论 | 第49-54页 |
| 4.2.1 函数集的VC维 | 第50页 |
| 4.2.2 经验风险最小化原则 ( ERM ) | 第50-51页 |
| 4.2.3 结构风险最小化原则（SRM） | 第51-54页 |
| 4.3 支持向量机 | 第54-60页 |
| 4.3.1 特征空间映射 | 第57-59页 |
| 4.3.2 核函数的概念 | 第59-60页 |
| 4.4 LIBSVM工具箱 | 第60-61页 |
| 4.5 SVM在行人检测中的应用 | 第61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 实验与结果分析 | 第62-76页 |
| 5.1 仿真实验的流程与方法 | 第62-65页 |
| 5.1.1 行人样本集的建立 | 第62页 |
| 5.1.2 提取样本集特征向量 | 第62-64页 |
| 5.1.3 仿真实验流程图 | 第64-65页 |
| 5.2 实验过程与结果分析 | 第65-74页 |
| 5.2.1 实验过程与具体步骤 | 第65-72页 |
| 5.2.2 实验结果分析 | 第72-73页 |
| 5.2.3 多特征融合的行人检测 | 第73-74页 |
| 5.3 本章小结 | 第74-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 全文总结 | 第76页 |
| 6.2 研究展望 | 第76-78页 |
| 参考文献 | 第78-80页 |
| 致谢 | 第80页 |