| 摘要 | 第5-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第12-27页 |
| 1.1 前言 | 第12-13页 |
| 1.2 行人检测技术的研究与发展 | 第13-14页 |
| 1.3 行人检测算法 | 第14-20页 |
| 1.3.1 行人检测算法综述 | 第14-15页 |
| 1.3.2 行人检测算法的主要步骤 | 第15-16页 |
| 1.3.3 传感器类型 | 第16-18页 |
| 1.3.4 行人检测特征 | 第18-20页 |
| 1.4 行人检测算法使用的数据库 | 第20-21页 |
| 1.5 评价标准 | 第21-24页 |
| 1.5.1 行人定位算法的评价标准 | 第22-23页 |
| 1.5.2 行人分类器的评价标准 | 第23-24页 |
| 1.6 本文研究工作概述 | 第24-25页 |
| 1.7 本文的内容安排 | 第25-27页 |
| 2 基于运动学特征的行人检测算法 | 第27-47页 |
| 2.1 引言 | 第27页 |
| 2.2 八种常用的光流算法 | 第27-34页 |
| 2.2.1 一阶差分光流算法 | 第28-32页 |
| 2.2.2 二阶差分光流算法 | 第32-33页 |
| 2.2.3 局部匹配光流算法 | 第33-34页 |
| 2.3 Nagel-a二阶差分光流 | 第34-37页 |
| 2.4 运动学特征 | 第37-40页 |
| 2.4.1 运动边界直方图MBH | 第37-38页 |
| 2.4.2 内部运动直方图IMH | 第38-39页 |
| 2.4.3 改进的运动学特征 | 第39-40页 |
| 2.5 实验结果与分析 | 第40-46页 |
| 2.6 本章小结 | 第46-47页 |
| 3 基于立体视觉的行人检测算法 | 第47-72页 |
| 3.1 引言 | 第47-48页 |
| 3.2 行人检测中的立体视觉方法 | 第48-52页 |
| 3.2.1 三维重建 | 第48-49页 |
| 3.2.2 基于Stixel的障碍物检测算法 | 第49-51页 |
| 3.2.3 基于SFM的路面参数估计 | 第51-52页 |
| 3.3 基于SPM的障碍物检测和ROI提取 | 第52-60页 |
| 3.3.1 表面视差映射SPM | 第52-57页 |
| 3.3.2 SPM的实时修正 | 第57-60页 |
| 3.4 实验结果与分析 | 第60-71页 |
| 3.4.1 SPM算法的计算速度 | 第60-61页 |
| 3.4.2 SPM算法的定位准确度 | 第61-63页 |
| 3.4.3 SPM算法的可靠性 | 第63-71页 |
| 3.5 本章小结 | 第71-72页 |
| 4 红外图像中的行人检测 | 第72-88页 |
| 4.1 引言 | 第72-74页 |
| 4.1.1 红外图像的优点 | 第72页 |
| 4.1.2 红外图像中的人体特征 | 第72-73页 |
| 4.1.3 红外图像增强 | 第73-74页 |
| 4.2 红外图像中行人与背景分割 | 第74-79页 |
| 4.2.1 基于人体形态学特征的分割算法 | 第74-75页 |
| 4.2.2 基于高斯混合模型的背景建模 | 第75-77页 |
| 4.2.3 基于柯西分布的背景建模 | 第77-79页 |
| 4.3 基于显著性关注点的红外图像分割 | 第79-82页 |
| 4.4 实验结果与分析 | 第82-86页 |
| 4.5 本章小结 | 第86-88页 |
| 5 行人检测器的设计 | 第88-102页 |
| 5.1 引言 | 第88页 |
| 5.2 支持向量机 | 第88-90页 |
| 5.3 Adaboost | 第90-91页 |
| 5.4 Boosted Histogram of Gradient Direction | 第91-98页 |
| 5.4.1 BHGD特征提取 | 第93-94页 |
| 5.4.2 BHGD特征在多尺度上的近似 | 第94-96页 |
| 5.4.3 实验结果与分析 | 第96-98页 |
| 5.5 级联人体模板匹配 | 第98-101页 |
| 5.5.1 构建模板树 | 第99-100页 |
| 5.5.2 训练模板树 | 第100-101页 |
| 5.6 本章小结 | 第101-102页 |
| 结束语 | 第102-104页 |
| 致谢 | 第104-105页 |
| 参考文献 | 第105-115页 |
| 附录 | 第115页 |