基于双目立体视觉的行人检测关键技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 行人检测技术的应用 | 第11页 |
| 1.3 行人检测的方法归类 | 第11-12页 |
| 1.3.1 基于模板匹配的方法 | 第11-12页 |
| 1.3.2 基于运动信息的方法 | 第12页 |
| 1.3.3 基于全局特征配合机器学习的方法 | 第12页 |
| 1.3.4 基于深度学习的方法 | 第12页 |
| 1.4 国内外研究现状 | 第12-18页 |
| 1.4.1 国外研究现状 | 第13-16页 |
| 1.4.2 国内研究现状 | 第16-18页 |
| 1.5 本文主要工作 | 第18-20页 |
| 第2章 图像获取及预处理算法 | 第20-31页 |
| 2.1 引言 | 第20页 |
| 2.2 图像学预处理 | 第20-22页 |
| 2.3 感兴趣区域提取算法 | 第22-24页 |
| 2.3.1 单目视觉感兴趣区域提取 | 第22-23页 |
| 2.3.2 双目视觉感兴趣区域提取 | 第23-24页 |
| 2.4 基于棒状像素的感兴趣区域提取算法 | 第24-30页 |
| 2.4.1 构建视差空间 | 第24-27页 |
| 2.4.2 地面估计 | 第27-28页 |
| 2.4.3 高度分割 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 行人目标特征提取 | 第31-42页 |
| 3.1 引言 | 第31页 |
| 3.2 行人检测全局图像特征 | 第31-36页 |
| 3.2.1 LBP特征简介 | 第31-32页 |
| 3.2.2 Haar-like特征简介 | 第32页 |
| 3.2.3 HOG特征简介 | 第32-36页 |
| 3.3 Multi-HOG特征的构建 | 第36-38页 |
| 3.3.1 block尺寸设计 | 第36-37页 |
| 3.3.2 基于Fisher准则的block挑选 | 第37-38页 |
| 3.4 颜色空间特征的选择 | 第38-41页 |
| 3.4.1 RGB颜色空间 | 第38-39页 |
| 3.4.2 HSV颜色空间 | 第39-40页 |
| 3.4.3 YUV颜色空间 | 第40页 |
| 3.4.4 LUV颜色空间 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 特征融合及分类器实现 | 第42-49页 |
| 4.1 引言 | 第42页 |
| 4.2 特征通道和融合特征提取 | 第42-43页 |
| 4.3 分类器选择 | 第43-48页 |
| 4.3.1 Adaboost算法基本原理 | 第43页 |
| 4.3.2 SVM算法基本原理 | 第43-47页 |
| 4.3.3 交叉核SVM设计 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 实验结果及分析 | 第49-55页 |
| 5.1 引言 | 第49页 |
| 5.2 系统流程 | 第49-50页 |
| 5.3 行人检测数据集介绍 | 第50-51页 |
| 5.4 实验平台搭建 | 第51页 |
| 5.5 实验结果 | 第51-54页 |
| 5.5.1 算法执行用时对比 | 第51-52页 |
| 5.5.2 算法检测准确度对比 | 第52-53页 |
| 5.5.3 算法检测效果对比 | 第53-54页 |
| 5.6 本章小结 | 第54-55页 |
| 总结与展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 附录A 攻读学位期间发表的学术论文目录 | 第63页 |
