| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 基于背景建模的方法 | 第10页 |
| 1.2.2 基于统计学习的方法 | 第10-11页 |
| 1.3 行人检测研究难点 | 第11-12页 |
| 1.4 论文研究内容及结构安排 | 第12-14页 |
| 第2章 特征提取与分类器算法 | 第14-33页 |
| 2.1 前言 | 第14页 |
| 2.2 经典行人特征提取算法 | 第14-23页 |
| 2.2.1 底层特征 | 第14-21页 |
| 2.2.2 基于统计学习的特征 | 第21-23页 |
| 2.3 行人检测分类算法 | 第23-28页 |
| 2.3.1 支持向量机算法 | 第23-24页 |
| 2.3.2 神经网络算法 | 第24-28页 |
| 2.4 样本库及检测性能评价 | 第28-32页 |
| 2.4.1 行人样本库 | 第28-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于G-HOG特征的行人识别 | 第33-42页 |
| 3.1 前言 | 第33页 |
| 3.2 基于Gabor小波与HOG特征融合的行人识别 | 第33-37页 |
| 3.2.1 行人Gabor特征提取 | 第33-36页 |
| 3.2.2 行人G-HOG特征提取 | 第36-37页 |
| 3.3 基于G-HOG特征的行人识别实验结果与分析 | 第37-40页 |
| 3.3.1 样本库与分类器参数设置 | 第37-38页 |
| 3.3.2 Gabor滤波器参数分析 | 第38-40页 |
| 3.3.3 算法对比与分析 | 第40页 |
| 3.4 本章小结 | 第40-42页 |
| 第4章 基于二维BP神经网络的行人识别 | 第42-53页 |
| 4.1 前言 | 第42页 |
| 4.2 基于二维前馈神经网络的随机梯度下降学习算法 | 第42-46页 |
| 4.2.1 二维随机权网络 | 第42-43页 |
| 4.2.2 基于2D-FNN的梯度下降学习算法 | 第43-46页 |
| 4.3 样本库的构建与标定 | 第46-47页 |
| 4.3.1 样本库的构建 | 第46-47页 |
| 4.3.2 样本的标定 | 第47页 |
| 4.4 神经网络的训练 | 第47-48页 |
| 4.5 2D-BP神经网络实验结果 | 第48-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 基于视频序列的行人识别 | 第53-58页 |
| 5.1 前言 | 第53页 |
| 5.2 基于G-HOG特征与2D-FNN级联的行人识别 | 第53-54页 |
| 5.3 视频序列中行人识别实验结果 | 第54-56页 |
| 5.4 本章小结 | 第56-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间发表的学术论文 | 第66页 |
