| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究的背景 | 第9-10页 |
| 1.2 课题研究的意义 | 第10页 |
| 1.3 国内外研究现状 | 第10-14页 |
| 1.3.1 国内外行人检测研究现状 | 第10-13页 |
| 1.3.2 国内外测距技术研究现状 | 第13-14页 |
| 1.4 本文主要研究内容及论文安排 | 第14-16页 |
| 第二章 行人检测的理论基础 | 第16-29页 |
| 2.1 行人检测公共数据集 | 第16-17页 |
| 2.1.1 INRIA数据集 | 第16页 |
| 2.1.2 ETH数据集 | 第16-17页 |
| 2.1.3 CVC行人数据集 | 第17页 |
| 2.2 行人特征提取 | 第17-21页 |
| 2.2.1 Haar-like特征 | 第18-19页 |
| 2.2.2 HOG特征 | 第19-20页 |
| 2.2.3 LBP纹理特征 | 第20-21页 |
| 2.3 分类器的训练 | 第21-26页 |
| 2.3.1 支持向量机 | 第21-25页 |
| 2.3.2 AdaBoost级联分类器 | 第25-26页 |
| 2.4 行人检测算法评价标准 | 第26-27页 |
| 2.5 行人检测的基本流程 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 行人检测算法的研究 | 第29-48页 |
| 3.1 HOG+SVM算法 | 第29-33页 |
| 3.1.1 Gamma校正 | 第29-30页 |
| 3.1.2 梯度的计算 | 第30-31页 |
| 3.1.3 空间和方向上的梯度统计 | 第31-32页 |
| 3.1.4 块的特征归一化及选择 | 第32-33页 |
| 3.1.5 支持向量机的分类算法 | 第33页 |
| 3.2 DPM算法 | 第33-41页 |
| 3.2.1 改进的HOG特征 | 第34页 |
| 3.2.2 特征金字塔 | 第34-35页 |
| 3.2.3 非极大值抑制 | 第35-36页 |
| 3.2.4 DPM的模型结构 | 第36-38页 |
| 3.2.5 级联检测 | 第38-39页 |
| 3.2.6 基于LatentSVM的模型 | 第39-40页 |
| 3.2.7 算法流程图 | 第40-41页 |
| 3.3 基于快速金字塔计算的的DPM算法 | 第41-44页 |
| 3.3.1 多尺度特征的幂指定律 | 第41-42页 |
| 3.3.2 HOG特征金字塔近似计算 | 第42-43页 |
| 3.3.3 基于快速特征金字塔的可形变部件模型方法 | 第43-44页 |
| 3.4 实验结果与分析 | 第44-46页 |
| 3.4.1 HOG+SVM和DPM在公共数据集上的检测结果与分析 | 第44-46页 |
| 3.4.2 基于快速金字塔特征计算的DPM的检测结果与分析 | 第46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 基于单目视觉的人车测距方法的研究 | 第48-61页 |
| 4.1 机器视觉测距方法与概述 | 第48页 |
| 4.2 坐标系转换 | 第48-51页 |
| 4.2.1 像素坐标系 | 第48-49页 |
| 4.2.2 图像坐标系 | 第49页 |
| 4.2.3 摄像机坐标系 | 第49-50页 |
| 4.2.4 世界坐标系 | 第50-51页 |
| 4.3 摄像机的标定 | 第51-55页 |
| 4.3.1 线性模型 | 第51-53页 |
| 4.3.2 非线性模型 | 第53-54页 |
| 4.3.3 摄像头的标定 | 第54-55页 |
| 4.4 单目视觉目标测距 | 第55-58页 |
| 4.4.1 视觉测距模型 | 第55-56页 |
| 4.4.2 人车距离测算 | 第56-58页 |
| 4.5 单目视觉测距算法的实现 | 第58-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 行人检测和测距实验结果与分析 | 第61-67页 |
| 5.1 实验环境及步骤 | 第61-62页 |
| 5.2 实验结果分析 | 第62-66页 |
| 5.2.1 行人检测实验结果分析 | 第62-65页 |
| 5.2.2 测距实验结果分析 | 第65-66页 |
| 5.3 本章总结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 本文工作总结 | 第67-68页 |
| 后期工作展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
