| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-21页 |
| ·研究背景与意义 | 第9-11页 |
| ·研究现状和主要问题 | 第11-18页 |
| ·行人检测研究概况 | 第11-13页 |
| ·目标跟踪研究概况 | 第13-17页 |
| ·主要难点和问题 | 第17-18页 |
| ·国内外应用现状 | 第18-19页 |
| ·研究工作和创新点 | 第19-20页 |
| ·论文的主要内容和章节安排 | 第20-21页 |
| 第二章 复杂场景的感兴趣区域检测算法 | 第21-43页 |
| ·引言 | 第21-22页 |
| ·视觉注意力模型和显著图 | 第22-30页 |
| ·视觉显著性的分类和研究概况 | 第23-26页 |
| ·显著性模型在不同视觉场景中的性能 | 第26-30页 |
| ·视觉显著融合模型及算法实现 | 第30-37页 |
| ·静态图像的颜色显著性计算 | 第31-33页 |
| ·基于深度的空间关系显著性 | 第33页 |
| ·基于运动特征的显著性分析 | 第33-35页 |
| ·多特征显著性融合 | 第35-37页 |
| ·算法流程设计 | 第37页 |
| ·实验分析 | 第37-41页 |
| ·显著性评价 | 第38-40页 |
| ·与运动检测方法的比较 | 第40-41页 |
| ·复杂度分析 | 第41页 |
| ·本章小结 | 第41-43页 |
| 第三章 分级的快速行人检测算法 | 第43-67页 |
| ·引言 | 第43-44页 |
| ·基本概念 | 第44-47页 |
| ·支持向量机 | 第44-46页 |
| ·AdaBoost 学习算法 | 第46-47页 |
| ·可变形部件行人检测框架 | 第47-52页 |
| ·可变形部件行人模型 | 第49-50页 |
| ·目标函数及分析求解 | 第50-51页 |
| ·特征降维和模型初始化 | 第51-52页 |
| ·粗—精两级行人检测算法 | 第52-63页 |
| ·粗—精两级行人分类器设计 | 第53-54页 |
| ·粗分类器级联设计 | 第54-59页 |
| ·算法加速和优化 | 第59-62页 |
| ·非最大值抑制 | 第62-63页 |
| ·实验结果及分析 | 第63-65页 |
| ·行人检测时间 | 第64页 |
| ·检测性能比较 | 第64-65页 |
| ·本章小结 | 第65-67页 |
| 第四章 基于颜色和 SURF 特征的粒子滤波跟踪算法 | 第67-89页 |
| ·特征评价 | 第67-69页 |
| ·粒子滤波理论 | 第69-72页 |
| ·蒙特卡罗法贝叶斯估计 | 第69-70页 |
| ·序列化重要性采样 SIS | 第70-72页 |
| ·融合颜色和 SURF 特征的行人跟踪算法 | 第72-82页 |
| ·跟踪模型的建立 | 第72-75页 |
| ·观测概率和特征融合 | 第75-78页 |
| ·粒子权重更新 | 第78-79页 |
| ·目标状态估计 | 第79页 |
| ·特征模板更新策略 | 第79-82页 |
| ·跟踪算法流程 | 第82-83页 |
| ·实验结果及分析 | 第83-88页 |
| ·实验环境 | 第83-84页 |
| ·实验结果 | 第84-88页 |
| ·本章小结 | 第88-89页 |
| 第五章 行人智能识别与跟踪系统设计及关键技术 | 第89-105页 |
| ·行人识别跟踪系统总体框架 | 第89-92页 |
| ·系统应用背景 | 第89-90页 |
| ·需求分析 | 第90-91页 |
| ·系统总体技术框架 | 第91-92页 |
| ·系统设计和关键技术 | 第92-104页 |
| ·多线程图像数据处理和通信 | 第93-94页 |
| ·多目标跟踪 | 第94-95页 |
| ·基于 CUDA 的图像处理加速 | 第95-102页 |
| ·系统开发环境 | 第102-103页 |
| ·系统实现结果 | 第103-104页 |
| ·本章小结 | 第104-105页 |
| 第六章 总结与展望 | 第105-107页 |
| ·全文总结 | 第105-106页 |
| ·后期展望 | 第106-107页 |
| 参考文献 | 第107-117页 |
| 发表论文和参加科研情况说明 | 第117-118页 |
| 致谢 | 第118页 |