| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 选题背景 | 第11页 |
| 1.2 行人检测识别的研究意义 | 第11-12页 |
| 1.3 行人检测的难点和国内外研究动态 | 第12-15页 |
| 1.3.1 行人检测的难点 | 第12-13页 |
| 1.3.2 国内外行人检测研究动态 | 第13-15页 |
| 1.4 本文的研究内容 | 第15-16页 |
| 1.5 本论文章节安排 | 第16-18页 |
| 第二章 视频图像中的行人特征描述 | 第18-34页 |
| 2.1 引言 | 第18页 |
| 2.2 行人的底层特征提取 | 第18-24页 |
| 2.2.1 积分图 | 第18-19页 |
| 2.2.2 HOG特征描述 | 第19-21页 |
| 2.2.3 CENTRIST特征描述 | 第21-23页 |
| 2.2.4 混合的底层特征描述 | 第23-24页 |
| 2.3 基于样本学习的行人特征提取 | 第24-32页 |
| 2.3.1 边缘模板 | 第24-26页 |
| 2.3.2 edgelet特征 | 第26-27页 |
| 2.3.3 shapelet特征 | 第27-28页 |
| 2.3.4 深度学习中的行人特征提取 | 第28-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第三章 行人特征的统计学习方法训练 | 第34-45页 |
| 3.1 引言 | 第34页 |
| 3.2 支持向量机学习算法 | 第34-36页 |
| 3.3 自适应级联分类器学习算法 | 第36-38页 |
| 3.4 基于支持向量机的HOG特征和CENTRIST特征对比试验 | 第38-43页 |
| 3.4.1 检测时HOG特征的提取 | 第38-39页 |
| 3.4.2 检测时CENTRIST特征的快速实时改进方法 | 第39-40页 |
| 3.4.3 实验内容 | 第40-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 自适应场景的行人检测方法 | 第45-51页 |
| 4.1 引言 | 第45页 |
| 4.2 相似度的计算 | 第45-47页 |
| 4.2.1 皮尔森相关 | 第46页 |
| 4.2.2 欧几里得度量 | 第46-47页 |
| 4.2.3 余弦相似性 | 第47页 |
| 4.2.4 相似度算法的选取 | 第47页 |
| 4.3 自适应场景行人检测方法介绍 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于CENTRIST特征的自适应场景行人检测器系统 | 第51-61页 |
| 5.1 引言 | 第51页 |
| 5.2 系统实现 | 第51-58页 |
| 5.2.1 系统模块图 | 第51页 |
| 5.2.2 CENTRIST特征提取模块 | 第51-53页 |
| 5.2.3 Bootstrap迭代模块 | 第53-54页 |
| 5.2.4 Linear SVM训练模块 | 第54-55页 |
| 5.2.5 特征相似度计算模块 | 第55-57页 |
| 5.2.6 HIK SVM训练模块 | 第57-58页 |
| 5.3 系统应用 | 第58-60页 |
| 5.3.1 效果对比分析 | 第58-59页 |
| 5.3.2 系统生成分类器应用 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 系统测试与分析 | 第61-67页 |
| 6.1 引言 | 第61页 |
| 6.2 测试环境 | 第61页 |
| 6.3 功能测试 | 第61-65页 |
| 6.3.1 初始Linear分类器的生成 | 第62-63页 |
| 6.3.2 场景下Linear分类器的生成 | 第63-65页 |
| 6.3.3 场景下HIK分类器的生成 | 第65页 |
| 6.4 性能测试 | 第65-66页 |
| 6.5 本章小结 | 第66-67页 |
| 第七章 总结和展望 | 第67-69页 |
| 7.1 工作总结 | 第67页 |
| 7.2 工作中的不足及展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 个人简介和攻读硕士期间的成果 | 第74-75页 |
