| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 研究难点 | 第10-14页 |
| 1.4 论文组织 | 第14-15页 |
| 第二章 基于机器学习的行人检测综述 | 第15-29页 |
| 2.1 引言 | 第15-16页 |
| 2.2 基于整体特征的方法 | 第16-23页 |
| 2.2.1 小波特征 | 第16-17页 |
| 2.2.2 边缘模板 | 第17-19页 |
| 2.2.3 hog 特征 | 第19-20页 |
| 2.2.4 edgelet 特征 | 第20-21页 |
| 2.2.5 shapelet 特征 | 第21-23页 |
| 2.3 基于多部位的方法 | 第23-26页 |
| 2.3.1 自适应组合分类器 | 第23-24页 |
| 2.3.2 基于贝叶斯推断的组合算法 | 第24-26页 |
| 2.3.3 隐式形状模型 | 第26页 |
| 2.4 基于多视角的方法 | 第26-28页 |
| 2.5 小结 | 第28-29页 |
| 第三章 基于boosted cascade 的物体检测 | 第29-38页 |
| 3.1 引言 | 第29页 |
| 3.2 boosted cascade 算法框架 | 第29-35页 |
| 3.2.1 积分图片与矩形特征 | 第30-32页 |
| 3.2.2 adaboost 算法 | 第32-34页 |
| 3.2.3 cascade 级联分类器 | 第34-35页 |
| 3.3 boosted cascade 的改进 | 第35-36页 |
| 3.4 boosted cascade 在行人检测中的应用 | 第36-37页 |
| 3.5 小结 | 第37-38页 |
| 第四章 基于boosted cascade 的行人检测 | 第38-46页 |
| 4.1 引言 | 第38页 |
| 4.2 特征的改进 | 第38-40页 |
| 4.3 boosting 算法的改进 | 第40-42页 |
| 4.4 弱分类器的设计 | 第42-45页 |
| 4.5 小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-47页 |
| 参考文献 | 第47-52页 |
| 附录 | 第52-53页 |
| 致谢 | 第53-54页 |
| 攻读硕士期间发表论文 | 第54-56页 |
