| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 引言 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 行人检测面临的难点 | 第12-13页 |
| 1.4 本文研究内容及章节安排 | 第13-15页 |
| 1.4.1 主要研究内容 | 第13-14页 |
| 1.4.2 章节安排 | 第14-15页 |
| 第2章 行人检测的流程与相关技术 | 第15-25页 |
| 2.1 行人检测的主要流程 | 第15-16页 |
| 2.2 行人检测的关键技术 | 第16-21页 |
| 2.2.1 支持向量机 | 第16-18页 |
| 2.2.2 支持向量机不平衡数据的解决 | 第18-21页 |
| 2.3 行人特征描述 | 第21-23页 |
| 2.3.1 Gabor特征 | 第21-22页 |
| 2.3.2 颜色特征 | 第22-23页 |
| 2.4 算法的性能评价标准 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于PCA降维的HOG特征的行人检测 | 第25-38页 |
| 3.1 引言 | 第25-26页 |
| 3.2 基于HOG特征的行人检测 | 第26-31页 |
| 3.2.1 样本HOG特征的提取 | 第26-29页 |
| 3.2.2 HOG+SVM的分类与实验 | 第29-31页 |
| 3.3 PCA降维HOG特征的行人检测 | 第31-34页 |
| 3.3.1 PCA算法及HOG-PCA特征的实现 | 第31-32页 |
| 3.3.2 HOG-PCA+SVM的基本框架及实现步骤 | 第32-34页 |
| 3.4 实验结果与分析 | 第34-37页 |
| 3.4.1 训练库与测试库 | 第34-35页 |
| 3.4.2 HOG-PCA+SVM的实验结果分析 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于多特征级联的行人检测 | 第38-53页 |
| 4.1 HOG-PCA特征与Gabor特征的级联 | 第38-42页 |
| 4.1.1 Gabor特征提取 | 第38-40页 |
| 4.1.2 HOG-PCA特征与Gabor特征的级联步骤 | 第40-42页 |
| 4.2 HOG-PCA特征与颜色特征和Gabor特征的级联 | 第42-46页 |
| 4.2.1 颜色特征提取 | 第42-44页 |
| 4.2.2 HOG-PCA特征与Gabor特征和颜色特征的计算步骤 | 第44-46页 |
| 4.3 实验结果与分析 | 第46-52页 |
| 4.3.1 多尺度缩放 | 第47-48页 |
| 4.3.2 多尺度检测及融合 | 第48-50页 |
| 4.3.3 多特征级联的实验结果 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 结束语 | 第53-55页 |
| 5.1 主要工作与创新点 | 第53-54页 |
| 5.2 后续研究工作 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-61页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第61页 |
