| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 行人检测的研究现状 | 第9-11页 |
| 1.2.2 事件检测的研究现状 | 第11-12页 |
| 1.3 论文研究成果 | 第12-13页 |
| 1.4 论文结构安排 | 第13-15页 |
| 第二章 对象检测的基础理论 | 第15-21页 |
| 2.1 对象检测的常用特征 | 第15-18页 |
| 2.1.1 HOG特征 | 第15-16页 |
| 2.1.2 其他常用特征 | 第16-18页 |
| 2.2 对象检测的常用分类器 | 第18-20页 |
| 2.2.1 支持向量机 | 第18-20页 |
| 2.2.2 其他常用分类器 | 第20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 基于DPM的对象检测方法 | 第21-43页 |
| 3.1 TRECVID SED竞赛 | 第21-22页 |
| 3.2 DPM算法原理及优势 | 第22-30页 |
| 3.2.1 DPM算法概述 | 第22-23页 |
| 3.2.2 DPM检测算法原理 | 第23-25页 |
| 3.3.3 Latent SVM | 第25-26页 |
| 3.2.4 DPM算法训练过程 | 第26-29页 |
| 3.2.5 改进的HOG特征 | 第29-30页 |
| 3.3 将DPM检测算法移植到VS2010平台 | 第30-35页 |
| 3.3.1 opencv相关函数使用 | 第30-32页 |
| 3.3.2 转换过程 | 第32-34页 |
| 3.3.3 检测结果 | 第34-35页 |
| 3.4 实验结果 | 第35-41页 |
| 3.4.1 使用PASCAL数据集训练模型的检测结果 | 第35-36页 |
| 3.4.2 使用INRIA数据集训练模型的检测结果 | 第36-37页 |
| 3.4.3 使用TRECVID视频截图训练模型的检测结果 | 第37-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 Pointing事件检测算法 | 第43-64页 |
| 4.1 SED竞赛中事件检测常用方法 | 第43-44页 |
| 4.1.1 PKU的Pointing事件检测方法 | 第43-44页 |
| 4.1.2 AT&T的Pointing事件检测方法 | 第44页 |
| 4.1.3 CMU的Pointing事件检测方法 | 第44页 |
| 4.2 基于人体姿态估计模型的事件检测算法 | 第44-49页 |
| 4.2.1 人体姿态估计模型算法过程 | 第45-46页 |
| 4.2.2 修改的Pointing事件检测算法 | 第46-47页 |
| 4.2.3 实验数据与实验结果 | 第47-48页 |
| 4.2.4 算法的不足之处 | 第48-49页 |
| 4.3 基于DPM的事件检测方法 | 第49-56页 |
| 4.3.1 算法框架 | 第49-50页 |
| 4.3.2 实验结果 | 第50-56页 |
| 4.3.3 实验结论 | 第56页 |
| 4.4 基于HOG和SVM的事件识别方法 | 第56-62页 |
| 4.4.1 算法框架 | 第57页 |
| 4.4.2 训练及测试数据 | 第57-59页 |
| 4.4.3 实验结果 | 第59-60页 |
| 4.4.4 采用PCA降维的实验 | 第60-61页 |
| 4.4.5 PCA降维前后的结果分析 | 第61-62页 |
| 4.5 三种事件检测算法的分析比较 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 工作总结 | 第64-65页 |
| 5.2 工作展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 攻读学位期间发表或已录用的学术论文 | 第72页 |
