| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 基于模型的行人检测 | 第9页 |
| 1.2.2 基于特征分类的行人检测 | 第9-12页 |
| 1.3 本文的研究内容与结构安排 | 第12-14页 |
| 1.3.1 本文研究内容 | 第12页 |
| 1.3.2 本文结构 | 第12-14页 |
| 2 相关理论知识 | 第14-21页 |
| 2.1 行人检测特征描述 | 第14-15页 |
| 2.1.1 矩形特征 | 第14-15页 |
| 2.1.2 HOG特征 | 第15页 |
| 2.2 模板匹配 | 第15-17页 |
| 2.3 支持向量机 | 第17-19页 |
| 2.3.1 统计学习理论 | 第17-18页 |
| 2.3.2 线性SVM原理 | 第18-19页 |
| 2.4 本章小结 | 第19-21页 |
| 3 基于图像金字塔改进的二值化归一梯度特征目标预检测方法 | 第21-34页 |
| 3.1 基于二值化的归一梯度特征的目标检测方法 | 第21-24页 |
| 3.1.1 归一化梯度特征 | 第22页 |
| 3.1.2 归一化梯度特征二值化 | 第22-24页 |
| 3.2 基于图像金字塔改进二值化的归一梯度特征的目标检测方法 | 第24-29页 |
| 3.2.1 图像金字塔 | 第24-26页 |
| 3.2.2 基于图像金字塔的改进 | 第26-29页 |
| 3.3 实验结果及对比分析 | 第29-33页 |
| 3.3.1 构造数据集 | 第29-30页 |
| 3.3.2 实验过程 | 第30-31页 |
| 3.3.3 实验结果及其分析 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 不同人群密度环境下基于头肩HOG特征的行人检测系统 | 第34-48页 |
| 4.1 特征的提取与计算 | 第34-38页 |
| 4.1.1 样本HOG特征的计算 | 第34-36页 |
| 4.1.2 HOG特征加速计算 | 第36-38页 |
| 4.2 Ada Boost算法概述 | 第38-40页 |
| 4.2.1 离散Ada Boost | 第38-39页 |
| 4.2.2 级联的AdaBoost | 第39-40页 |
| 4.3 系统开发环境与平台 | 第40-43页 |
| 4.3.1 系统硬件环境 | 第41页 |
| 4.3.2 系统软件设计 | 第41页 |
| 4.3.3 Open CV简介 | 第41-43页 |
| 4.4 样本集准备与系统流程 | 第43-45页 |
| 4.4.1 样本集构造 | 第43-44页 |
| 4.4.2 系统流程 | 第44-45页 |
| 4.5 实验结果与分析 | 第45-47页 |
| 4.6 本章小节 | 第47-48页 |
| 5 总结和展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
