| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-14页 |
| ·选题背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·论文研究内容 | 第13页 |
| ·论文结构安排 | 第13-14页 |
| 第二章 基于统计分类的视频行人检测技术 | 第14-32页 |
| ·行人检测算法的基本流程框架 | 第14-15页 |
| ·图像处理技术 | 第15-22页 |
| ·图像多分辨率处理及图像金字塔 | 第15-17页 |
| ·图像灰度化 | 第17-18页 |
| ·图像平滑滤波器 | 第18-20页 |
| ·二值图像数学形态学技术 | 第20-22页 |
| ·主要的行人检测特征及检测算法 | 第22-30页 |
| ·基于统计分类的行人检测特征 | 第23-27页 |
| ·基于统计分类的行人检测算法 | 第27-30页 |
| ·本章小结 | 第30-32页 |
| 第三章 基于HOG-PCA+SVM的行人分类器设计 | 第32-51页 |
| ·本文选择的行人检测算法 | 第32-34页 |
| ·基于HOG+SVM的行人分类器 | 第34-44页 |
| ·训练样本制作与选择 | 第35-38页 |
| ·HOG行人特征的提取 | 第38-42页 |
| ·HOG+SVM行人分类器的训练与实验 | 第42-44页 |
| ·基于HOG-PCA特征的SVM行人分类器设计与实验 | 第44-50页 |
| ·主成分分析（PCA）原理 | 第44-46页 |
| ·HOG-PCA+SVM行人分类器的基本框架 | 第46-47页 |
| ·HOG-PCA的计算步骤 | 第47页 |
| ·HOG-PCA+SVM分类器的训练与实验 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 前景运动目标检测算法 | 第51-71页 |
| ·前景运动目标定位算法 | 第52-58页 |
| ·光流法(运动信息提取) | 第52-53页 |
| ·背景减除法 | 第53-55页 |
| ·帧间差分法 | 第55-57页 |
| ·前景目标定位方法小结 | 第57-58页 |
| ·动态二值化阈值算法 | 第58-61页 |
| ·双峰法 | 第58-59页 |
| ·迭代法 | 第59页 |
| ·简单统计法 | 第59-60页 |
| ·大律法 | 第60页 |
| ·动态阈值实验分析 | 第60-61页 |
| ·背景图像建模及更新算法 | 第61-69页 |
| ·背景图像初始化 | 第61-63页 |
| ·Kalman滤波模型 | 第63-64页 |
| ·Surendra算法 | 第64-65页 |
| ·改进的选择性背景更新算法 | 第65-66页 |
| ·改进的选择性背景更新算法实验结果 | 第66-69页 |
| ·本章小结 | 第69-71页 |
| 第五章 行人检测系统的设计与实现 | 第71-84页 |
| ·行人检测系统的开发环境 | 第71-72页 |
| ·行人实时检测系统设计流程 | 第72-74页 |
| ·前景运动目标提取模块 | 第74-77页 |
| ·前景运动目标模块设计流程图 | 第74-76页 |
| ·前景运动目标提取方法实验演示 | 第76-77页 |
| ·行人检测模块 | 第77-82页 |
| ·对象匹配计算模块 | 第77-80页 |
| ·行人检测模块 | 第80-82页 |
| ·系统整体实验结果 | 第82-83页 |
| ·不同行人个数下的检测时间 | 第82页 |
| ·检测时间及检测率的实验 | 第82-83页 |
| ·本章总结 | 第83-84页 |
| 总结与展望 | 第84-86页 |
| 参考文献 | 第86-91页 |
| 攻读硕士学位期间取得的研究成果 | 第91-92页 |
| 致谢 | 第92-93页 |
| 附件 | 第93页 |