基于无人机视觉的人体检测跟踪技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及实际意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 人体检测的研究现状 | 第10-11页 |
| 1.2.2 人体跟踪的研究现状 | 第11-12页 |
| 1.3 课题存在的主要难点问题 | 第12-13页 |
| 1.4 本论文的研究内容与结构安排 | 第13-15页 |
| 第二章 人体检测相关技术与系统综述 | 第15-27页 |
| 2.1 引言 | 第15页 |
| 2.2 人体检测的特征 | 第15-18页 |
| 2.2.1 HOG特征 | 第15-16页 |
| 2.2.2 Haar特征 | 第16页 |
| 2.2.3 Edgelet特征 | 第16-17页 |
| 2.2.4 颜色特征 | 第17页 |
| 2.2.5 常用特征提取算法优缺点的比较 | 第17-18页 |
| 2.3 分类算法 | 第18-20页 |
| 2.3.1 决策树 | 第18页 |
| 2.3.2 人工神经网络 | 第18-19页 |
| 2.3.3 支持向量机 | 第19页 |
| 2.3.4 贝叶斯 | 第19页 |
| 2.3.5 K-近邻 | 第19页 |
| 2.3.6 常用分类方法优缺点的比较 | 第19-20页 |
| 2.4 无人机系统综述 | 第20-26页 |
| 2.4.1 无人机系统架构 | 第20-25页 |
| 2.4.2 视频处理流程 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于改进HOG特征的人体检测算法 | 第27-43页 |
| 3.1 引言 | 第27页 |
| 3.2 方向梯度直方图（HOG） | 第27-30页 |
| 3.2.1 标准化Gamma空间和颜色空间 | 第27-28页 |
| 3.2.2 梯度计算 | 第28-29页 |
| 3.2.3 构建梯度直方图 | 第29页 |
| 3.2.4 单元格的归一化 | 第29-30页 |
| 3.2.5 收集HOG特征 | 第30页 |
| 3.3 特征降维算法PCA | 第30-32页 |
| 3.3.1 PCA概念 | 第30-31页 |
| 3.3.2 PCA原理 | 第31页 |
| 3.3.3 PCA算法具体步骤 | 第31-32页 |
| 3.4 模板匹配 | 第32-37页 |
| 3.4.1 模板匹配的概念 | 第32-33页 |
| 3.4.2 模板匹配的步骤及关键环节 | 第33-35页 |
| 3.4.3 匹配算法的分类 | 第35-36页 |
| 3.4.4 边缘特征提取 | 第36页 |
| 3.4.5 模板匹配 | 第36-37页 |
| 3.5 支持向量机（SVM） | 第37-38页 |
| 3.5.1 SVM简介 | 第37页 |
| 3.5.2 SVM分类 | 第37-38页 |
| 3.5.3 支持向量机方法的优点 | 第38页 |
| 3.6 改进算法的结果与分析 | 第38-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第四章 基于CamShift的人体跟踪算法 | 第43-55页 |
| 4.1 引言 | 第43页 |
| 4.2 CamShift算法 | 第43-47页 |
| 4.2.1 基本的Mean-Shift算法 | 第43-44页 |
| 4.2.2 CamShift算法的原理 | 第44-45页 |
| 4.2.3 CamShift算法步骤 | 第45-47页 |
| 4.3 粒子滤波算法 | 第47-49页 |
| 4.3.1 基本概念 | 第47-48页 |
| 4.3.2 粒子滤波算法步骤 | 第48-49页 |
| 4.4 改进算法的结果与分析 | 第49-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第五章 系统实验结果与分析 | 第55-58页 |
| 5.1 人体检测跟踪系统 | 第55页 |
| 5.2 不同场景下的实验结果与分析 | 第55-58页 |
| 总结与展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |
