基于车载视频的行人检测预警系统的设计与实现
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 课题研究意义 | 第11-12页 |
| 1.3 课题研究现状 | 第12-15页 |
| 1.3.1 基于车载视频的行人检测技术发展现状 | 第12-14页 |
| 1.3.2 行人检测系统的发展现状 | 第14-15页 |
| 1.4 论文研究内容和组织架构 | 第15-17页 |
| 1.4.1 研究内容 | 第15-16页 |
| 1.4.2 组织架构 | 第16-17页 |
| 第二章 行人检测相关技术与概念 | 第17-28页 |
| 2.1 评价标准 | 第17-19页 |
| 2.2 行人数据库 | 第19-22页 |
| 2.3 行人分类器 | 第22-23页 |
| 2.4 经典行人检测算法 | 第23-27页 |
| 2.4.1 BING+SVM | 第23-24页 |
| 2.4.2 HOG+SVM | 第24-26页 |
| 2.4.3 DMP+Latent SVM | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于聚合通道特征的行人检测 | 第28-45页 |
| 3.1 聚合通道特征 | 第28-34页 |
| 3.1.1 通道类型 | 第28-34页 |
| 3.1.2 本文选用特征 | 第34页 |
| 3.2 特征提取过程 | 第34-37页 |
| 3.2.1 特征计算步骤 | 第34-35页 |
| 3.2.2 尺度空间与金字塔 | 第35-36页 |
| 3.2.3 尺度特征计算过程的优化 | 第36-37页 |
| 3.3 Adaboost算法 | 第37-40页 |
| 3.3.1 算法原理 | 第37-39页 |
| 3.3.2 算法分析 | 第39-40页 |
| 3.4 级联结构分类器 | 第40-42页 |
| 3.4.1 分类过程中存在的难题 | 第40页 |
| 3.4.2 级联分类器的优点 | 第40-41页 |
| 3.4.3 算法分析 | 第41-42页 |
| 3.5 检测流程 | 第42-44页 |
| 3.6 分类器性能 | 第44页 |
| 3.7 本章小结 | 第44-45页 |
| 第四章 基于上下文信息的行人跟踪 | 第45-55页 |
| 4.1 上下文信息 | 第45-47页 |
| 4.2 STC跟踪算法 | 第47-50页 |
| 4.2.1 先验概率模型 | 第47页 |
| 4.2.2 置信图 | 第47-48页 |
| 4.2.3 空间上下文模型 | 第48-49页 |
| 4.2.4 跟踪过程 | 第49-50页 |
| 4.3 融合红外信息的STC跟踪算法 | 第50-51页 |
| 4.3.1 算法流程 | 第50-51页 |
| 4.3.2 基于红外数据的跟踪过程 | 第51页 |
| 4.4 实验验证 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 行人检测预警系统设计与实现 | 第55-72页 |
| 5.1 系统流程 | 第55-56页 |
| 5.2 区域划分模块 | 第56-59页 |
| 5.2.1 BING算法提取目标区域 | 第56-57页 |
| 5.2.2 直线检测提取道路区域 | 第57-58页 |
| 5.2.3 手动划分提取车前区域 | 第58-59页 |
| 5.3 划分区域后的行人检测模块 | 第59-61页 |
| 5.4 单目测距模块 | 第61-64页 |
| 5.4.1 测距模型 | 第61-63页 |
| 5.4.2 走向判断 | 第63-64页 |
| 5.4.3 测距公式成立条件 | 第64页 |
| 5.5 预警模块 | 第64-65页 |
| 5.6 系统仿真 | 第65-71页 |
| 5.7 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-75页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-82页 |
| 附图 | 第82-83页 |
| 附表 | 第83-84页 |
| 致谢 | 第84-85页 |
| 作者攻读硕士学位期间取得的学术成果 | 第85页 |
