智能交通系统中行人检测算法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 引言 | 第10-11页 |
| 1.2 智能交通系统概述 | 第11-14页 |
| 1.2.1 智能交通系统的组成与发展 | 第11-13页 |
| 1.2.2 智能交通系统中行人检测技术的应用 | 第13-14页 |
| 1.3 行人检测原理及发展现状 | 第14-16页 |
| 1.3.1 行人检测的原理 | 第14页 |
| 1.3.2 行人检测的国内外研究现状 | 第14-15页 |
| 1.3.3 行人检测的重点和难点 | 第15-16页 |
| 1.4 本文主要研究内容及组织结构 | 第16-18页 |
| 第2章 图像处理相关技术 | 第18-26页 |
| 2.1 图像处理相关基础知识 | 第18-20页 |
| 2.1.1 图像滤波处理 | 第18-19页 |
| 2.1.2 图像灰度化处理 | 第19-20页 |
| 2.1.3 图像分割 | 第20页 |
| 2.2 形态学处理 | 第20-22页 |
| 2.3 颜色空间 | 第22-25页 |
| 2.3.1 RGB颜色模型 | 第23-24页 |
| 2.3.2 HSV颜色模型 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于特征融合的行人检测算法的研究 | 第26-39页 |
| 3.1 行人检测 | 第26-29页 |
| 3.1.1 行人检测整体流程 | 第26-28页 |
| 3.1.2 实验环境配置 | 第28页 |
| 3.1.3 行人数据库及评测标准 | 第28-29页 |
| 3.2 常用行人检测特征及其计算方法 | 第29-34页 |
| 3.2.1 HOG特征 | 第29-32页 |
| 3.2.2 LBP特征 | 第32-34页 |
| 3.3 基于HOG-LBP特征融合的行人检测 | 第34-38页 |
| 3.3.1 特征融合 | 第35-36页 |
| 3.3.2 实验仿真及分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于卷积神经网络的行人检测算法的研究 | 第39-59页 |
| 4.1 分类器的训练算法 | 第39-46页 |
| 4.1.1 支持向量机 | 第39-44页 |
| 4.1.2 Ads Boost算法 | 第44-46页 |
| 4.2 深度学习 | 第46-51页 |
| 4.2.1 深度学习的机理 | 第47页 |
| 4.2.2 卷积神经网络 | 第47-51页 |
| 4.3 利用卷积神经网络训练分类器 | 第51-58页 |
| 4.3.1 BP反向传播算法 | 第52-53页 |
| 4.3.2 利用全连接层训练分类器 | 第53-55页 |
| 4.3.3 实验仿真及分析 | 第55-56页 |
| 4.3.4 实验结果 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的科研成果 | 第64-65页 |
| 致谢 | 第65页 |
