车载视觉的行人检测与跟踪方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景与研究意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 行人检测研究 | 第12-14页 |
| 1.2.2 行人跟踪研究 | 第14-16页 |
| 1.2.3 存在的问题 | 第16-17页 |
| 1.3 本文主要研究内容 | 第17-18页 |
| 第2章 基于整合通道特征的行人检测算法 | 第18-32页 |
| 2.1 基本算法原理 | 第18-25页 |
| 2.1.1 整合通道特征 | 第18-21页 |
| 2.1.2 快速特征金字塔 | 第21-23页 |
| 2.1.3 AdaBoost分类器 | 第23-25页 |
| 2.2 ACF算法改进 | 第25-31页 |
| 2.2.1 多尺度检测器 | 第26-28页 |
| 2.2.2 区域搜索策略 | 第28-29页 |
| 2.2.3 分级检测与融合 | 第29-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 基于连续卷积运算的行人跟踪算法 | 第32-49页 |
| 3.1 行人跟踪算法基础 | 第32-37页 |
| 3.1.1 连续卷积学习理论 | 第32-34页 |
| 3.1.2 连续卷积运算滤波器 | 第34-36页 |
| 3.1.3 跟踪算法框架 | 第36-37页 |
| 3.2 行人被遮挡时的跟踪问题研究 | 第37-42页 |
| 3.2.1 跟踪效果评价指标 | 第38-40页 |
| 3.2.2 模型更新策略 | 第40-42页 |
| 3.3 采用ARIMA模型的行人预测 | 第42-48页 |
| 3.3.1 ARIMA模型原理 | 第43-45页 |
| 3.3.2 行人预测模型 | 第45-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 行人检测与跟踪系统设计及实验 | 第49-66页 |
| 4.1 行人检测与跟踪系统设计 | 第49-53页 |
| 4.1.1 系统设计 | 第49-51页 |
| 4.1.2 多目标处理 | 第51-53页 |
| 4.2 行人检测模型训练 | 第53-55页 |
| 4.3 行人检测算法实验验证 | 第55-60页 |
| 4.3.1 性能评价方法 | 第55-56页 |
| 4.3.2 实验结果分析 | 第56-60页 |
| 4.4 行人跟踪算法实验验证 | 第60-63页 |
| 4.5 行人检测与跟踪系统实验验证 | 第63-64页 |
| 4.6 本章小结 | 第64-66页 |
| 总结与展望 | 第66-68页 |
| 总结 | 第66页 |
| 展望 | 第66-68页 |
| 参考文献 | 第68-75页 |
| 致谢 | 第75页 |
