| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 基于机器学习的行人检测 | 第14页 |
| 1.2.2 行人检测性能评估 | 第14-16页 |
| 1.3 研究难点 | 第16-17页 |
| 1.4 本文工作与章节安排 | 第17-18页 |
| 第2章 关键技术介绍 | 第18-25页 |
| 2.1 特征提取技术 | 第18-21页 |
| 2.1.1 图像的特征 | 第18页 |
| 2.1.2 特征提取方法 | 第18-21页 |
| 2.1.3 图像特征评价 | 第21页 |
| 2.2 分类算法 | 第21-25页 |
| 2.2.1 决策树 | 第22页 |
| 2.2.2 神经网络 | 第22-23页 |
| 2.2.3 贝叶斯分类 | 第23页 |
| 2.2.4 支持向量机 | 第23-24页 |
| 2.2.5 K 最近邻分类算法 | 第24-25页 |
| 第3章 基于融合 HOG 特征和模板匹配的行人检测研究 | 第25-36页 |
| 3.1 基于 HOG 与 SVM 的行人检测 | 第25-28页 |
| 3.1.1 HOG 特征 | 第25-27页 |
| 3.1.2 检测过程 | 第27页 |
| 3.1.3 积分向量图 | 第27-28页 |
| 3.2 模板匹配 | 第28-32页 |
| 3.2.1 行人检测中的模板匹配 | 第28-29页 |
| 3.2.2 边缘提取 | 第29-31页 |
| 3.2.3 模板匹配 | 第31-32页 |
| 3.3 基于 HOG 特征和模板匹配融合的行人检测 | 第32-36页 |
| 3.3.1 区域约束 | 第32-33页 |
| 3.3.2 基于 HOG 特征和模板匹配融合的检测结果 | 第33-36页 |
| 第4章 CamShift 与粒子滤波结合的行人跟踪算法 | 第36-49页 |
| 4.1 引言 | 第36页 |
| 4.2 Camshift 算法 | 第36-40页 |
| 4.2.1 Mean-shift 算法 | 第37-38页 |
| 4.2.2 Camshift 算法 | 第38-40页 |
| 4.3 粒子滤波 | 第40-45页 |
| 4.3.1 贝叶斯滤波理论 | 第41-42页 |
| 4.3.2 贝叶斯重要性采样 | 第42-43页 |
| 4.3.3 序列重要性采样 | 第43-44页 |
| 4.3.4 退化问题 | 第44-45页 |
| 4.4 结合 Camshift 算法和粒子滤波的跟踪 | 第45-46页 |
| 4.5 实验结果与分析 | 第46-49页 |
| 第5章 实验评估与分析 | 第49-52页 |
| 5.1 行人检测跟踪系统 | 第49-50页 |
| 5.2 典型场景下的实验结果与分析 | 第50-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 存在的不足与展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者简介及在学期间所取得的科研成果 | 第58-59页 |
| 致谢 | 第59页 |
