基于AdaBoost算法的道路行人识别系统的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 行人检测的研究背景及意义 | 第11-12页 |
| 1.2 行人检测研究现状 | 第12-17页 |
| 1.2.1 基于形状信息的方法 | 第13页 |
| 1.2.2 基于运动特性的方法 | 第13-15页 |
| 1.2.3 基于模板匹配的方法 | 第15-16页 |
| 1.2.4 基于统计学习的方法 | 第16-17页 |
| 1.3 论文主要研究内容与章节安排 | 第17-19页 |
| 第2章 基于形状信息的图像中行人分割 | 第19-35页 |
| 2.1 检测行人的感兴趣区域获取 | 第20-22页 |
| 2.1.1 行人特征假设 | 第20-21页 |
| 2.1.2 感兴趣区域的获取 | 第21-22页 |
| 2.2 感兴趣区域的预处理 | 第22-28页 |
| 2.2.1 噪声滤除 | 第22-23页 |
| 2.2.2 垂直边缘增强 | 第23-26页 |
| 2.2.3 边缘阈值分割 | 第26-27页 |
| 2.2.4 对称性测度的计算 | 第27-28页 |
| 2.3 行人候选区域的分割 | 第28-33页 |
| 2.3.1 候选区域的宽度确定 | 第29页 |
| 2.3.2 起始行的确定 | 第29-30页 |
| 2.3.3 候选区域的高度确定 | 第30页 |
| 2.3.4 候选区域的验证 | 第30-33页 |
| 2.4 行人分割试验分析 | 第33页 |
| 2.5 本章小结 | 第33-35页 |
| 第3章 集成学习与AdaBoot权重更新 | 第35-47页 |
| 3.1 集成机器学习 | 第35-37页 |
| 3.1.1 弱分类器 | 第35-36页 |
| 3.1.2 集成方法 | 第36-37页 |
| 3.2 AdaBoost算法及其性能分析 | 第37-41页 |
| 3.2.1 AdaBoost算法介绍 | 第37-39页 |
| 3.2.2 AdaBoost算法分析 | 第39-41页 |
| 3.3 AdaBoost权重更新算法 | 第41-44页 |
| 3.3.1 样本集归一 | 第41-43页 |
| 3.3.2 样本权重更新 | 第43-44页 |
| 3.4 本章小结 | 第44-47页 |
| 第4章 基于AdaBoost算法的行人检测 | 第47-65页 |
| 4.1 样本库的建立 | 第47-50页 |
| 4.2 特征提取研究 | 第50-56页 |
| 4.2.1 原始矩形特征 | 第50-52页 |
| 4.2.2 样本特征的数量 | 第52-53页 |
| 4.2.3 样本特征值的计算 | 第53-55页 |
| 4.2.4 分类器训练步骤 | 第55-56页 |
| 4.3 级联分类器 | 第56-61页 |
| 4.3.1 级连分类器介绍 | 第56-57页 |
| 4.3.2 级连分类器分析 | 第57-59页 |
| 4.3.3 级联分类器的训练 | 第59-61页 |
| 4.4 行人检测分析 | 第61-62页 |
| 4.5 本章小结 | 第62-65页 |
| 第5章 行人检测系统仿真研究 | 第65-73页 |
| 5.1 样本库分类 | 第65-66页 |
| 5.2 训练分类器分析 | 第66-68页 |
| 5.2.1 分类器获得 | 第66页 |
| 5.2.2 分类器比较分析 | 第66-68页 |
| 5.3 检测仿真实验 | 第68-70页 |
| 5.3.1 强光场景 | 第68-69页 |
| 5.3.2 弱光场景 | 第69-70页 |
| 5.3.3 阴雨天场景 | 第70页 |
| 5.4 本章小结 | 第70-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 本文主要工作 | 第73-74页 |
| 6.2 存在的不足及对后续工作的建议 | 第74-75页 |
| 参考文献 | 第75-83页 |
| 致谢 | 第83页 |
