基于车载摄像头的行人检测技术的研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 行人检测和跟踪技术的难点 | 第12页 |
| 1.4 本文主要内容 | 第12-14页 |
| 第2章 基于人体部位的行人检测 | 第14-28页 |
| 2.1 引言 | 第14页 |
| 2.2 Adaboost算法概述 | 第14-15页 |
| 2.3 图像特征提取 | 第15-18页 |
| 2.3.1 Haar矩形特征 | 第15-17页 |
| 2.3.2 Haar矩形特征值计算 | 第17-18页 |
| 2.4 训练分类器 | 第18-22页 |
| 2.4.1 弱分类器的训练过程 | 第19-20页 |
| 2.4.2 强分类器的训练过程 | 第20-21页 |
| 2.4.3 级联分类器的训练过程 | 第21-22页 |
| 2.5 基于人体部位的行人检测 | 第22-27页 |
| 2.5.1 行人检测算法 | 第22-23页 |
| 2.5.2 部位检测器的结合策略 | 第23-24页 |
| 2.5.3 样本训练与检测流程 | 第24-25页 |
| 2.5.4 行人检测的实验结果及分析 | 第25-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 粒子滤波跟踪算法 | 第28-36页 |
| 3.1 引言 | 第28页 |
| 3.2 粒子滤波算法 | 第28-31页 |
| 3.2.1 粒子滤波理论 | 第28-30页 |
| 3.2.2 粒子滤波算法描述 | 第30-31页 |
| 3.3 基于颜色直方图的粒子滤波跟踪算法 | 第31-35页 |
| 3.3.1 系统动态模型 | 第31-32页 |
| 3.3.2 系统观测模型 | 第32-33页 |
| 3.3.3 粒子滤波目标跟踪算法 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 均值偏移跟踪算法 | 第36-43页 |
| 4.1 引言 | 第36页 |
| 4.2 均值偏移算法理论 | 第36-39页 |
| 4.3 基于颜色直方图的均值偏移跟踪算法 | 第39-42页 |
| 4.3.1 目标模型描述 | 第39页 |
| 4.3.2 候选目标模型描述 | 第39-40页 |
| 4.3.3 相似性函数 | 第40页 |
| 4.3.4 目标位置确定 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 基于多特征的均值偏移粒子滤波跟踪算法 | 第43-66页 |
| 5.1 引言 | 第43-44页 |
| 5.2 目标特征 | 第44-45页 |
| 5.2.1 颜色特征模型 | 第44页 |
| 5.2.2 纹理特征模型 | 第44-45页 |
| 5.3 联合颜色纹理直方图的目标描述 | 第45-47页 |
| 5.4 跟踪窗口自适应调整的模型 | 第47-48页 |
| 5.5 改进后算法过程 | 第48-50页 |
| 5.6 行人跟踪的实验结果及分析 | 第50-65页 |
| 5.7 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 作者简介 | 第73-74页 |
| 攻读硕士学位期间研究成果 | 第74页 |
