| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 本文主要工作 | 第12-13页 |
| 1.3 章节安排 | 第13-15页 |
| 第二章 物体检测算法综述 | 第15-29页 |
| 2.1 研究问题及其难点 | 第15-18页 |
| 2.2 研究现状 | 第18-22页 |
| 2.2.1 主流物体检测数据库 | 第18-19页 |
| 2.2.2 PASCAL竞赛物体检测项目优胜算法回顾 | 第19-22页 |
| 2.3 典型物体检测系统框架 | 第22-28页 |
| 2.3.1 特征提取 | 第23-24页 |
| 2.3.2 机器学习算法 | 第24-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 可变形部件模型 | 第29-43页 |
| 3.1 可变形部件模型 | 第29-31页 |
| 3.2 物体检测 | 第31-32页 |
| 3.3 混合分量 | 第32-33页 |
| 3.4 隐变量支持向量机 | 第33-37页 |
| 3.4.1 半凸性 | 第33-34页 |
| 3.4.2 随机梯度下降法 | 第34页 |
| 3.4.3 适用于SVM的困难样本挖掘算法 | 第34-35页 |
| 3.4.4 适用于LSVM的困难样本挖掘算法 | 第35-37页 |
| 3.5 模型训练 | 第37-39页 |
| 3.5.1 参数学习 | 第37-38页 |
| 3.5.2 初始化 | 第38-39页 |
| 3.6 改进的HOG特征 | 第39-41页 |
| 3.7 后处理 | 第41-42页 |
| 3.7.1 包围盒预测 | 第41-42页 |
| 3.7.2 非极大值抑制 | 第42页 |
| 3.8 本章小结 | 第42-43页 |
| 第四章 特定场景下的可变形部件模型 | 第43-54页 |
| 4.1 多尺度可变形部件模型 | 第44-47页 |
| 4.1.1 单一分辨率检测模型 | 第44-45页 |
| 4.1.2 多个单一分辨率检测模型 | 第45-46页 |
| 4.1.3 多尺度可变形部件模型 | 第46-47页 |
| 4.2 场景相关特征 | 第47-48页 |
| 4.2.1 地平面估计 | 第47-48页 |
| 4.2.2 物体位置估计 | 第48页 |
| 4.3 图模型框架 | 第48-49页 |
| 4.4 频域卷积加速算法 | 第49-52页 |
| 4.4.1 卷积运算的时间复杂度分析 | 第50页 |
| 4.4.2 基于快速傅里叶变换的加速算法 | 第50-51页 |
| 4.4.3 特征金字塔拼接 | 第51-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 实验结果与分析 | 第54-63页 |
| 5.1 实验环境及数据集介绍 | 第54-55页 |
| 5.1.1 实验软件及硬件环境 | 第54页 |
| 5.1.2 数据集 | 第54-55页 |
| 5.2 检测准确率 | 第55-59页 |
| 5.2.1 评价指标 | 第55-56页 |
| 5.2.2 CAVIAR视频监控数据集检测结果 | 第56-59页 |
| 5.3 场景迁移能力 | 第59-61页 |
| 5.4 卷积加速 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-66页 |
| 6.1 本文总结 | 第63页 |
| 6.2 今后工作和展望 | 第63-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间已发表或录用的论文 | 第72-74页 |