| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 前言 | 第9-15页 |
| 1.1 选题背景与研究意义 | 第9-10页 |
| 1.2 行人检测技术的研究及发展 | 第10-14页 |
| 1.2.1 图像静态信息 | 第10-12页 |
| 1.2.2 视频动态信息 | 第12-14页 |
| 1.3 本文主要工作 | 第14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第2章 基于各向异性滤波的Canny边缘检测算法 | 第15-31页 |
| 2.1 传统边缘检测算子 | 第15-18页 |
| 2.2 Canny算子边缘检测 | 第18-22页 |
| 2.2.1 图像滤波方法 | 第19-22页 |
| 2.2.2 计算梯度幅值与方向 | 第22页 |
| 2.2.3 非极大值抑制 | 第22页 |
| 2.2.4 双阈值选取 | 第22页 |
| 2.3 基于各向异性滤波的Canny边缘检测 | 第22-25页 |
| 2.4 基于遗传算法和OTSU的Canny高低阈值自适应确定 | 第25-28页 |
| 2.4.1 基于高低阈值的梯度幅值最大类间方差 | 第25页 |
| 2.4.2 遗传算法理论介绍 | 第25-27页 |
| 2.4.3 基于类间方差评价函数的遗传算法 | 第27-28页 |
| 2.5 结果分析 | 第28-31页 |
| 2.5.1 各向异性滤波对Canny边缘检测的影响 | 第28-29页 |
| 2.5.2 自适应阈值对Canny边缘检测的影响 | 第29-30页 |
| 2.5.3 改进Canny算子在行人图像中的检测效果 | 第30-31页 |
| 第3章 高斯混合模型 | 第31-42页 |
| 3.1 传统混合高斯模型介绍 | 第32-34页 |
| 3.2 梯度图像 | 第34-36页 |
| 3.3 G-GMM背景建模 | 第36-42页 |
| 3.3.1 基于Sobel梯度图像的GMM | 第36-37页 |
| 3.3.2 基于Scharr梯度图像的GMM | 第37-38页 |
| 3.3.3 形态学滤波和与运算 | 第38-39页 |
| 3.3.4 改进的高斯混合模型流程图 | 第39页 |
| 3.3.5 实验及分析 | 第39-42页 |
| 第4章 基于HOG+SVM的行人检测 | 第42-56页 |
| 4.1 HOG特征介绍及提取 | 第42-43页 |
| 4.2 样本库采集 | 第43-45页 |
| 4.3 SVM分类器介绍 | 第45-52页 |
| 4.3.1 SVM算法思想 | 第45-49页 |
| 4.3.2 SVM算法求解过程分析 | 第49-51页 |
| 4.3.3 SVM优缺点及实验分析 | 第51-52页 |
| 4.4 基于最小二乘拟合的区域优化 | 第52-54页 |
| 4.5 实验分析 | 第54-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 发表论文和参加科研情况说明 | 第62-63页 |
| 致谢 | 第63-64页 |
