交通流视频中行人检测跟踪算法研究
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-13页 |
| 1.1 研究背景和意义 | 第6-8页 |
| 1.1.1 研究背景 | 第6页 |
| 1.1.2 研究目的及意义 | 第6-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 行人检测研究现状 | 第8-9页 |
| 1.2.2 行人跟踪研究现状 | 第9-10页 |
| 1.3 行人检测与跟踪技术难点 | 第10-11页 |
| 1.4 论文主要内容及组织结构 | 第11-13页 |
| 2 行人检测与跟踪算法概述 | 第13-25页 |
| 2.1 引言 | 第13页 |
| 2.2 行人检测算法概述 | 第13-22页 |
| 2.2.1 HOG特征 | 第13-16页 |
| 2.2.2 LBP特征 | 第16-17页 |
| 2.2.3 SVM分类器 | 第17-19页 |
| 2.2.4 AKSVM分类器 | 第19-20页 |
| 2.2.5 Adaboost分类器 | 第20-22页 |
| 2.3 粒子滤波跟踪算法概述 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 改进的行人检测与跟踪算法 | 第25-43页 |
| 3.1 引言 | 第25页 |
| 3.2 预处理 | 第25-27页 |
| 3.3 XCS-LBP纹理特征提取 | 第27-28页 |
| 3.4 级联AKSVM | 第28-37页 |
| 3.4.1 SVM分类器的级联形式 | 第28-30页 |
| 3.4.2 遗传操作 | 第30-35页 |
| 3.4.3 AKSVM的级联实现 | 第35-37页 |
| 3.5 基于颜色直方图粒子滤波器的行人跟踪算法 | 第37-42页 |
| 3.5.1 自适应颜色模型 | 第37-38页 |
| 3.5.2 基于积分图像的颜色模型计算 | 第38-40页 |
| 3.5.3 跟踪算法 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 4 实验结果及分析 | 第43-50页 |
| 4.1 引言 | 第43页 |
| 4.2 实验硬件环境和数据集 | 第43-45页 |
| 4.3 检测性能评价标准 | 第45-46页 |
| 4.4 实验结果及分析 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 总结与展望 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-59页 |
