基于DSP平台的目标检测算法的改进与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第15-22页 |
| 1.1 目标检测技术的研究背景与意义 | 第15-16页 |
| 1.2 目标检测技术的研究现状 | 第16-18页 |
| 1.2.1 算法的研究与发展 | 第16-17页 |
| 1.2.2 算法的平台实现与应用现状 | 第17-18页 |
| 1.3 目标检测算法的研究难点 | 第18-20页 |
| 1.4 论文的研究内容和组织结构 | 第20-22页 |
| 第二章 行人检测算法的相关理论 | 第22-33页 |
| 2.1 行人检测算法的整体思路 | 第22-24页 |
| 2.2 常用的行人特征 | 第24-26页 |
| 2.2.1 Haar特征 | 第24-25页 |
| 2.2.2 HOG特征 | 第25页 |
| 2.2.3 LBP特征 | 第25-26页 |
| 2.3 行人分类模型 | 第26-30页 |
| 2.3.1 机器学习理论概述 | 第26页 |
| 2.3.2 Linear SVM | 第26-27页 |
| 2.3.3 核函数与HIK SVM | 第27-30页 |
| 2.4 检测结果的评价标准 | 第30-32页 |
| 2.4.1 P-R曲线 | 第30-31页 |
| 2.4.2 FPPI | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于轮廓线索的行人检测算法的研究与改进 | 第33-47页 |
| 3.1 算法思路 | 第33-36页 |
| 3.1.1 算法框架概述 | 第33-34页 |
| 3.1.2 特征选取 | 第34-35页 |
| 3.1.3 检测流程 | 第35-36页 |
| 3.2 第一级分类器重构 | 第36-39页 |
| 3.2.1 原算法的缺陷 | 第36页 |
| 3.2.2 计算过程重构 | 第36-38页 |
| 3.2.3 重构效果测试 | 第38-39页 |
| 3.3 算法后处理优化 | 第39-42页 |
| 3.3.1 原后处理算法及存在问题 | 第39-40页 |
| 3.3.2 算法优化与结果分析 | 第40-42页 |
| 3.4 程序实现与测试结果 | 第42-46页 |
| 3.4.1 软件环境与测试数据 | 第42-44页 |
| 3.4.2 软件流程 | 第44页 |
| 3.4.3 测试结果和分析 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 算法在DSP平台的移植与优化 | 第47-61页 |
| 4.1 DSP平台简介 | 第47-49页 |
| 4.2 算法移植与初步优化 | 第49-54页 |
| 4.2.1 算法移植 | 第49-50页 |
| 4.2.2 DSP平台的初步优化 | 第50-52页 |
| 4.2.3 初步优化结果与时间分析 | 第52-54页 |
| 4.3 第二级分类器重构 | 第54-60页 |
| 4.3.1 特征向量计算优化 | 第55-56页 |
| 4.3.2 分类器得分计算重构 | 第56-59页 |
| 4.3.3 重构效果测试 | 第59-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 基于行人检测算法的智能视频分析系统实现 | 第61-81页 |
| 5.1 硬件平台简介 | 第61-63页 |
| 5.2 软件框架与视频链路设计 | 第63-67页 |
| 5.2.1 McFW软件框架 | 第63-65页 |
| 5.2.2 视频链路设计 | 第65-66页 |
| 5.2.3 直通结果显示 | 第66-67页 |
| 5.3 算法调用与结果同步 | 第67-71页 |
| 5.3.1 算法移植和调用 | 第67-69页 |
| 5.3.2 检测结果同步 | 第69-71页 |
| 5.3.3 检测结果显示 | 第71页 |
| 5.4 针对红外热成像视频的算法优化 | 第71-76页 |
| 5.4.1 算法在红外热成像环境下的缺陷 | 第71-72页 |
| 5.4.2 算法优化的具体手段 | 第72-76页 |
| 5.5 系统测试 | 第76-80页 |
| 5.5.1 普通视频测试结果 | 第76-78页 |
| 5.5.2 红外热成像视频测试结果 | 第78-80页 |
| 5.6 本章小结 | 第80-81页 |
| 第六章 总结与展望 | 第81-83页 |
| 6.1 本文总结 | 第81-82页 |
| 6.2 研究展望 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 攻读硕士学位期间取得的成果 | 第88页 |
