摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第10-17页 |
1.1 研究背景及意义 | 第10-11页 |
1.2 研究现状 | 第11-13页 |
1.3 研究面临的挑战 | 第13-15页 |
1.4 论文组织结构 | 第15-17页 |
第二章 机器学习的方法概述 | 第17-32页 |
2.1 机器学习方法的框架介绍 | 第17-18页 |
2.2 行人特征简述 | 第18-26页 |
2.2.1 纹理特征 | 第18-21页 |
2.2.2 颜色特征 | 第21-22页 |
2.2.3 HOG特征 | 第22-23页 |
2.2.4 Haar-Like特征 | 第23-25页 |
2.2.5 多特征融合 | 第25-26页 |
2.3 分类器简述 | 第26-31页 |
2.3.1 SVM分类器 | 第27-28页 |
2.3.2 Adaboost分类器 | 第28-29页 |
2.3.3 神经网络 | 第29-30页 |
2.3.4 ELM分类器 | 第30-31页 |
2.4 本章小结 | 第31-32页 |
第三章 LDBP和LBP特征融合的行人检测 | 第32-41页 |
3.1 算法概述 | 第32-33页 |
3.2 基于二维离散小波变换的图像预处理 | 第33-34页 |
3.3 LDBP-LBP特征提取 | 第34-36页 |
3.3.1 LDBP算子 | 第34-35页 |
3.3.2 LBP算子 | 第35-36页 |
3.4 SVM分类与识别 | 第36-37页 |
3.5 实验比较与结果分析 | 第37-39页 |
3.6 本章小结 | 第39-41页 |
第四章 改进的中心对称LNBP和LBP特征融合的行人检测 | 第41-50页 |
4.1 算法概述 | 第41-42页 |
4.2 ICS-LNBP和LBP特征融合 | 第42-45页 |
4.2.1 LNBP特征 | 第42-43页 |
4.2.2 ICS-LNBP特征 | 第43-44页 |
4.2.3 ICS-LNBP与LNBP比较 | 第44-45页 |
4.2.4 LBP算子 | 第45页 |
4.3 SVM分类与识别 | 第45-46页 |
4.4 实验比较与结果分析 | 第46-49页 |
4.5 本章小结 | 第49-50页 |
总结与展望 | 第50-52页 |
参考文献 | 第52-57页 |
致谢 | 第57-58页 |
附录A(攻读学位期间所发表的学术论文) | 第58页 |