| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第9-23页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.3 行人检测技术简介 | 第14-21页 |
| 1.3.1 前景分割 | 第15-17页 |
| 1.3.2 目标检测 | 第17-19页 |
| 1.3.3 行人检测难点 | 第19-21页 |
| 1.4 研究内容与创新之处 | 第21-22页 |
| 1.5 本文整体结构 | 第22-23页 |
| 第二章 基于路面提取和立体深度信息的 ROI 尺度归一 | 第23-42页 |
| 2.1 引言 | 第23-24页 |
| 2.2 路面提取常见算法 | 第24-25页 |
| 2.3 基于光照不变空间理论的路面提取方法 | 第25-29页 |
| 2.3.1 光照不变空间理论 | 第25-27页 |
| 2.3.2 路面提取 | 第27-29页 |
| 2.4 基于立体视觉的 ROI 尺度归一 | 第29-39页 |
| 2.4.1 立体视觉简介 | 第29-31页 |
| 2.4.2 相机模型与标定 | 第31-36页 |
| 2.4.3 视差图获取 | 第36-37页 |
| 2.4.4 立体视觉的三维重建 | 第37-39页 |
| 2.5 ROI 尺度归一算法 | 第39-41页 |
| 2.5.1 前景分割算法流程 | 第39页 |
| 2.5.2 实验结果 | 第39-41页 |
| 2.6 本章小结 | 第41-42页 |
| 第三章 HOG 特征描述子提取 | 第42-51页 |
| 3.1 基本概念 | 第42-43页 |
| 3.2 HOG 特征提取过程 | 第43-49页 |
| 3.2.1 Gamma 空间归一化 | 第43-44页 |
| 3.2.2 图像梯度计算 | 第44-46页 |
| 3.2.3 梯度方向直方图统计 | 第46-47页 |
| 3.2.4 块内描述子归一化 | 第47-49页 |
| 3.2.5 HOG 特征描述子生成 | 第49页 |
| 3.3 HOG 特征提取算法流程 | 第49页 |
| 3.4 本章小结 | 第49-51页 |
| 第四章 近似 IKSVM 分类器简介 | 第51-60页 |
| 4.1 引言 | 第51-52页 |
| 4.2 支持向量机理论 | 第52-57页 |
| 4.2.0 SVM 核函数 | 第52页 |
| 4.2.1 线性可分样本分类 | 第52-54页 |
| 4.2.2 线性不可分样本分类 | 第54-56页 |
| 4.2.3 SVM 分类流程 | 第56-57页 |
| 4.3 近似 IKSVM 分类器原理 | 第57-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第五章 实验结果及分析 | 第60-71页 |
| 5.1 数据集 | 第60-63页 |
| 5.1.1 训练数据集 | 第60页 |
| 5.1.2 检测数据集 | 第60-63页 |
| 5.2 分类器训练 | 第63-66页 |
| 5.2.1 训练工具 | 第63-65页 |
| 5.2.2 训练流程 | 第65-66页 |
| 5.3 行人检测过程 | 第66-68页 |
| 5.4 实验结果统计 | 第68-69页 |
| 5.5 实验结论与分析 | 第69-71页 |
| 第六章 总结和展望 | 第71-73页 |
| 6.1 成果总结 | 第71-72页 |
| 6.2 研究展望 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-81页 |
| 攻读硕士学位期间已发表或录用的论文 | 第81-83页 |