| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于背景建模的方法 | 第10页 |
| 1.2.2 基于统计学习的方法 | 第10-12页 |
| 1.3 研究的主要内容和难点 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第二章 相关技术描述 | 第15-30页 |
| 2.1 引言 | 第15页 |
| 2.2 行人检测的特征提取 | 第15-21页 |
| 2.2.1 梯度方向直方图特征(HOG) | 第15-19页 |
| 2.2.2 哈尔特征(Haar-like) | 第19-21页 |
| 2.3 行人检测的分类器选择 | 第21-24页 |
| 2.3.1 支持向量机(SVM) | 第21-23页 |
| 2.3.2 自适应增强算法(Adaboost) | 第23-24页 |
| 2.4 行人检测技术的工作流程 | 第24-28页 |
| 2.4.1 滑动窗口 | 第24-25页 |
| 2.4.2 多尺度缩放 | 第25-26页 |
| 2.4.3 非极大抑制窗口融合 | 第26-27页 |
| 2.4.4 基于HOG+LinearSVM的行人检测流程 | 第27-28页 |
| 2.5 行人检测的数据库介绍 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 基于MB_LBP特征和直方图交叉核支持向量机的行人检测算法 | 第30-40页 |
| 3.1 引言 | 第30页 |
| 3.2 本章相关工作 | 第30-33页 |
| 3.2.1 局部二值模式(LBP) | 第30-31页 |
| 3.2.2 多尺度块的局部二值模式(MB_LBP) | 第31-32页 |
| 3.2.3 直方图交叉核支持向量机(HIKSVM) | 第32-33页 |
| 3.3 基于MB_LBP描述方法和直方图交叉核SVM的算法 | 第33-35页 |
| 3.4 实验 | 第35-39页 |
| 3.4.1 数据集描述 | 第35-36页 |
| 3.4.2 评价标准选择 | 第36页 |
| 3.4.3 实验及结果分析 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于Subset-Haar-like中间层滤波特征的行人检测算法 | 第40-68页 |
| 4.1 引言 | 第40页 |
| 4.2 本章相关工作 | 第40-47页 |
| 4.2.1 积分通道特征(ICF) | 第40-42页 |
| 4.2.2 聚合通道特征(ACF) | 第42-43页 |
| 4.2.3 Haar-like特征的模板子集(Subset-Haar-like) | 第43页 |
| 4.2.4 线性判别分析(LD) | 第43-44页 |
| 4.2.5 基于决策树的Adaboost分类器 | 第44-45页 |
| 4.2.6 级联分类器(Cascade) | 第45-47页 |
| 4.3 基于Subset-Haar-like模板的中间层特征 | 第47-57页 |
| 4.3.1 特征提取流程 | 第47-48页 |
| 4.3.2 实验 | 第48页 |
| 4.3.3 数据集描述 | 第48页 |
| 4.3.4 评价标准选择 | 第48-50页 |
| 4.3.5 实验过程及结果分析 | 第50-53页 |
| 4.3.6 参数讨论 | 第53-54页 |
| 4.3.7 在INRIA数据集上的检测结果对比展示 | 第54-57页 |
| 4.4 加权Subset-Haar-like中间层特征 | 第57-66页 |
| 4.4.1 特征提取流程 | 第58页 |
| 4.4.2 LDA学习权重系数 | 第58-60页 |
| 4.4.3 实验 | 第60页 |
| 4.4.4 实验过程及结果分析 | 第60-63页 |
| 4.4.5 参数讨论 | 第63-64页 |
| 4.4.6 在INRIA数据集上的检测结果展示 | 第64-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68-69页 |
| 5.2 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 作者简介 | 第75页 |
