| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 课题研究背景及意义 | 第16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 国外研究的现状 | 第17页 |
| 1.2.2 国内的研究现状 | 第17-18页 |
| 1.3 研究方案和技术路线 | 第18-20页 |
| 1.3.1 研究方案 | 第18-19页 |
| 1.3.2 技术路线 | 第19-20页 |
| 1.4 本论文的组织结构安排 | 第20-22页 |
| 第二章 基于极角极径约束的轨道检测 | 第22-36页 |
| 2.1 引言 | 第22页 |
| 2.2 图像预处理 | 第22-26页 |
| 2.2.1 图像采集 | 第22-23页 |
| 2.2.2 图像裁剪 | 第23-24页 |
| 2.2.3 图像变换 | 第24-25页 |
| 2.2.4 本文预处理方法 | 第25-26页 |
| 2.3 轨道边缘区域提取 | 第26-30页 |
| 2.3.1 常用边缘检测算子 | 第26-28页 |
| 2.3.2 边缘检测效果 | 第28页 |
| 2.3.3 轨道边缘分割 | 第28-30页 |
| 2.4 基于极角极径约束的轨道检测方法 | 第30-35页 |
| 2.4.1 传统Hough变换 | 第30-31页 |
| 2.4.2 极角极径约束法 | 第31-34页 |
| 2.4.3 感兴趣区域标定 | 第34页 |
| 2.4.4 区域局部化归零 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 低维度行人特征提取 | 第36-44页 |
| 3.1 引言 | 第36页 |
| 3.2 正负样本集制作 | 第36-38页 |
| 3.3 常用的行人特征 | 第38-41页 |
| 3.3.1 Haar特征 | 第38-39页 |
| 3.3.2 LBP特征 | 第39页 |
| 3.3.3 HOG特征 | 第39-41页 |
| 3.4 低维度行人特征提取方法 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 样本空间分段过采样方法 | 第44-57页 |
| 4.1 引言 | 第44页 |
| 4.2 基于最优分类面的不均衡样本分析 | 第44-47页 |
| 4.2.1 井下不均衡样本简介 | 第44页 |
| 4.2.2 基于最优分类面的不均衡样本分析 | 第44-47页 |
| 4.3 相关采样算法 | 第47-50页 |
| 4.3.1 SMOTE算法 | 第47-48页 |
| 4.3.2 Borderline-SMOTE算法 | 第48-49页 |
| 4.3.3 ISMOTE算法 | 第49-50页 |
| 4.4 样本空间分段过采样方法 | 第50-54页 |
| 4.4.1 少数类样本划分的必要性 | 第50-51页 |
| 4.4.2 不均衡样本空间分布状态 | 第51页 |
| 4.4.3 样本空间分段过采样方法 | 第51-54页 |
| 4.5 实验分析 | 第54-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 改进AdaBoost与SVM组合的行人分类算法 | 第57-64页 |
| 5.1 引言 | 第57-58页 |
| 5.2 相关分类算法介绍 | 第58-60页 |
| 5.2.1 AdaBoost分类器 | 第58-59页 |
| 5.2.2 SVM分类器 | 第59-60页 |
| 5.3 改进AdaBoost与SVM组合的行人分类算法 | 第60-61页 |
| 5.4 实验分析 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-67页 |
| 6.1 论文工作总结 | 第64-65页 |
| 6.2 未来工作展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第71-72页 |