基于单目视觉的运动行人检测算法的研究与实现
| 中文摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·研究背景 | 第10-11页 |
| ·智能交通系统(ITS) | 第11-12页 |
| ·ITS概念 | 第11页 |
| ·车辆辅助驾驶系统(DAS) | 第11-12页 |
| ·DAS的研究现状及发展前景 | 第12-14页 |
| ·国外研究状况 | 第12-13页 |
| ·国内研究现状 | 第13-14页 |
| ·DAS的发展前景 | 第14页 |
| ·本文主要工作 | 第14-16页 |
| ·本文研究内容 | 第14-15页 |
| ·本文组织结构 | 第15-16页 |
| 第2章 行人检测技术 | 第16-24页 |
| ·行人检测的理论基础 | 第16-18页 |
| ·数字图像处理 | 第16页 |
| ·计算机视觉 | 第16-17页 |
| ·传感器及其融合 | 第17-18页 |
| ·行人检测算法概述 | 第18-22页 |
| ·常用行人检测方法 | 第18-19页 |
| ·行人存在假设 | 第19-20页 |
| ·行人存在验证 | 第20-22页 |
| ·行人检测系统各模块描述 | 第22-24页 |
| 第3章 运动行人检测算法研究 | 第24-38页 |
| ·自运动补偿 | 第24-30页 |
| ·运动补偿的数学基础 | 第25-27页 |
| ·特征检测与跟踪 | 第27-28页 |
| ·自运动补偿模型分析 | 第28-29页 |
| ·图像差分 | 第29-30页 |
| ·行人ROI分割 | 第30-35页 |
| ·基于差分图像灰度垂直投影的运动区域检测 | 第30-32页 |
| ·行人定位 | 第32-35页 |
| ·行人相对位置计算 | 第35-36页 |
| ·本章小结 | 第36-38页 |
| 第4章 基于AdaBoost的行人识别算法研究 | 第38-52页 |
| ·机器学习概述 | 第38页 |
| ·集成学习 | 第38-40页 |
| ·弱分类器 | 第39页 |
| ·弱分类器的集成 | 第39-40页 |
| ·AdaBoost算法 | 第40-41页 |
| ·弱分类器的构造 | 第41-44页 |
| ·类Haar特征定义 | 第41-42页 |
| ·类Haar特征值的计算 | 第42-44页 |
| ·弱分类器构造 | 第44页 |
| ·级联AdaBoost分类器的训练 | 第44-47页 |
| ·级联分类器的训练 | 第46页 |
| ·级联分类器分析 | 第46-47页 |
| ·基于级联AdaBoost分类器的行人识别 | 第47页 |
| ·行人识别的多帧信息融合 | 第47页 |
| ·本章小节与相关实验结果 | 第47-52页 |
| ·实验数据来源 | 第48-49页 |
| ·实验结果 | 第49-52页 |
| 第5章 总结与展望 | 第52-54页 |
| ·本文的主要工作 | 第52页 |
| ·进一步的工作 | 第52-53页 |
| ·展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58页 |
