基于HOG和粒子滤波的行人检测与跟踪
| 致谢 | 第6-7页 |
| 摘要 | 第7-8页 |
| Abstract | 第8页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 行人检测与跟踪研究现状 | 第14-15页 |
| 1.2.1 行人检测 | 第14页 |
| 1.2.2 行人跟踪 | 第14-15页 |
| 1.3 行人检测与跟踪技术的难点 | 第15-17页 |
| 1.3.1 行人检测中的技术难点 | 第15-16页 |
| 1.3.2 行人跟踪中的技术难点 | 第16-17页 |
| 1.4 本课题的研究工作及结构 | 第17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 行人检测与跟踪算法概述 | 第18-39页 |
| 2.1 检测分类算法概述 | 第18-28页 |
| 2.1.1 帧间差分法 | 第18-21页 |
| 2.1.2 背景差分法 | 第21-23页 |
| 2.1.3 光流法 | 第23-24页 |
| 2.1.4 基于SVM分类器检测算法 | 第24-27页 |
| 2.1.5 基于Adaboost分类器检测算法 | 第27-28页 |
| 2.2 跟踪算法概述 | 第28-38页 |
| 2.2.1 基于特征点聚类的跟踪方法 | 第29-30页 |
| 2.2.2 基于模板匹配跟踪算法 | 第30-31页 |
| 2.2.3 Mean Shift | 第31-33页 |
| 2.2.4 卡尔曼滤波 | 第33-34页 |
| 2.2.5 粒子滤波 | 第34-38页 |
| 2.3 本章小结 | 第38-39页 |
| 第三章 基于HOG的粒子滤波行人检测与跟踪 | 第39-50页 |
| 3.1 基于HOG与SVM的行人检测 | 第39-43页 |
| 3.1.1 伽马归一化 | 第40页 |
| 3.1.2 计算梯度 | 第40-41页 |
| 3.1.3 单元梯度幅值的统计 | 第41页 |
| 3.1.4 块归一化 | 第41-42页 |
| 3.1.5 计算检测窗口的HOG特征 | 第42页 |
| 3.1.6 SVM分类器训练 | 第42-43页 |
| 3.2 基于颜色直方图的粒子滤波跟踪算法 | 第43-48页 |
| 3.2.1 颜色特征 | 第44-45页 |
| 3.2.2 系统动态模型建立 | 第45-46页 |
| 3.2.3 系统观测模型建立 | 第46页 |
| 3.2.4 粒子重采样 | 第46页 |
| 3.2.5 系统流程 | 第46-48页 |
| 3.3 本章小结 | 第48-50页 |
| 第四章 实验结果及分析 | 第50-59页 |
| 4.1 概述 | 第50页 |
| 4.2 实验准备 | 第50-51页 |
| 4.3 行人检测实验结果及分析 | 第51-54页 |
| 4.4 行人跟踪实验结果及分析 | 第54-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 总结和展望 | 第59-61页 |
| 5.1 本文的主要工作内容 | 第59页 |
| 5.2 工作展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第66-67页 |
