基于计算机视觉的车辆前方行人检测算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-22页 |
| ·课题的研究背景 | 第9-10页 |
| ·行人检测技术现状分析 | 第10-17页 |
| ·基于视觉传感器的行人检测研究现状 | 第10-15页 |
| ·基于非视觉传感器的行人检测技术研究现状 | 第15-17页 |
| ·车辆前方行人检测的应用现状 | 第17-19页 |
| ·课题的研究意义 | 第19-20页 |
| ·本课题的研究内容及组织结构 | 第20-22页 |
| ·课题的研究内容 | 第20-21页 |
| ·论文的组织结构 | 第21-22页 |
| 第2章 行人检测系统评价标准 | 第22-27页 |
| ·行人检测系统评价方法 | 第22-24页 |
| ·行人数据库 | 第24-26页 |
| ·INRIA数据库 | 第25页 |
| ·Caltech数据库 | 第25-26页 |
| ·小结 | 第26-27页 |
| 第3章 基于积分通道特征的行人检测 | 第27-39页 |
| ·特征融合的必要性 | 第27页 |
| ·积分通道特征 | 第27-34页 |
| ·积分通道特征的概念 | 第27-28页 |
| ·相关研究 | 第28-29页 |
| ·通道属性 | 第29-30页 |
| ·通道类型 | 第30-34页 |
| ·本文特征提取方法 | 第34-38页 |
| ·通道类型的选择 | 第34-36页 |
| ·实验步骤 | 第36-37页 |
| ·算法流程图 | 第37-38页 |
| ·实验结果 | 第38页 |
| ·小结 | 第38-39页 |
| 第4章 基于AdaBoost级联分类器的行人检测 | 第39-52页 |
| ·典型的机器学习算法比较 | 第39-41页 |
| ·支持向量机 | 第39-40页 |
| ·神经网络 | 第40页 |
| ·级联分类器 | 第40-41页 |
| ·分类器优缺点分析 | 第41页 |
| ·AdaBoost算法 | 第41-45页 |
| ·算法提出 | 第41-42页 |
| ·算法原理 | 第42-43页 |
| ·算法解释 | 第43-44页 |
| ·算法分析 | 第44-45页 |
| ·级联AdaBoost算法 | 第45-48页 |
| ·行人检测的不对称性 | 第45页 |
| ·级联分类器的提出 | 第45-46页 |
| ·级联分类器的训练过程 | 第46-47页 |
| ·算法分析 | 第47-48页 |
| ·实验 | 第48-51页 |
| ·训练流程图 | 第48页 |
| ·训练结果 | 第48-50页 |
| ·级联分类器性能 | 第50-51页 |
| ·小结 | 第51-52页 |
| 第5章 车辆前方行人检测算法的实现 | 第52-61页 |
| ·行人检测算法框架 | 第52-53页 |
| ·车辆前方视频成像特点分析 | 第53-56页 |
| ·尺度统计 | 第53-55页 |
| ·位置统计 | 第55-56页 |
| ·检测策略 | 第56-57页 |
| ·分级检测 | 第56-57页 |
| ·流程图 | 第57页 |
| ·窗口融合算法 | 第57-58页 |
| ·实验环境 | 第58页 |
| ·实验结果 | 第58-60页 |
| ·小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| ·论文成果总结 | 第61-62页 |
| ·研究展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第68页 |
