| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 插图索引 | 第10-12页 |
| 附表索引 | 第12-13页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.3 行人检测目前存在的难点 | 第18-19页 |
| 1.4 本文的主要研究工作 | 第19-20页 |
| 1.5 章节安排 | 第20-21页 |
| 第2章 图像特征和机器学习 | 第21-37页 |
| 2.1 引言 | 第21页 |
| 2.2 特征提取 | 第21-29页 |
| 2.2.1 Harr-Like 特征 | 第21-23页 |
| 2.2.2 CENTRIST | 第23-24页 |
| 2.2.3 HOG 特征 | 第24-27页 |
| 2.2.4 LBP 特征 | 第27-29页 |
| 2.3 机器学习方法 | 第29-32页 |
| 2.3.1 AdaBoost 学习算法 | 第29-30页 |
| 2.3.2 SVM 分类器 | 第30-32页 |
| 2.4 样本库及检测性能评价 | 第32-36页 |
| 2.4.1 行人样本库 | 第32-34页 |
| 2.4.2 检测性能评价 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 基于 HOG-LBP 特征和级联分类器的行人检测 | 第37-56页 |
| 3.1 引言 | 第37页 |
| 3.2 多尺度特征提取 | 第37-41页 |
| 3.2.1 积分图像提取 | 第38页 |
| 3.2.2 HOG-LBP 特征提取 | 第38-41页 |
| 3.3 Gentle AdaBoost 强分类器 | 第41-42页 |
| 3.3.1 CART 弱分类器 | 第41-42页 |
| 3.3.2 Gentle AdaBoost 强分类器 | 第42页 |
| 3.4 Gentle AdaBoost 级联分类器 | 第42-45页 |
| 3.4.1 级联分类器的结构 | 第43页 |
| 3.4.2 级联分类器的训练 | 第43-45页 |
| 3.5 系统框架及检测方法 | 第45-48页 |
| 3.5.1 系统框架 | 第45-46页 |
| 3.5.2 检测方法 | 第46-48页 |
| 3.6 窗口融合 | 第48-51页 |
| 3.6.1 基于 Mean-Shift 的方法 | 第48-49页 |
| 3.6.2 基于窗口重叠的方法 | 第49-51页 |
| 3.7 实验结果及对比分析 | 第51-55页 |
| 3.7.1 实验结果及对比分析 | 第51-55页 |
| 3.8 本章小结 | 第55-56页 |
| 第4章 基于混合高斯背景建模和分类器的行人检测 | 第56-63页 |
| 4.1 引言 | 第56页 |
| 4.2 运动目标检测 | 第56-57页 |
| 4.2.1 光流法 | 第56-57页 |
| 4.2.2 帧间差分法 | 第57页 |
| 4.2.3 背景差分法 | 第57页 |
| 4.3 混合高斯背景模型 | 第57-58页 |
| 4.4 改进的背景差分法 | 第58-59页 |
| 4.5 形态学处理 | 第59-60页 |
| 4.6 实验结果分析 | 第60-61页 |
| 4.7 本章小结 | 第61-63页 |
| 总结和展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 附录A 攻读硕士学位期间发表论文目录 | 第71-72页 |
| 附录B 攻读硕士学位期间所参与的科研活动 | 第72页 |
