基于共生梯度方向直方图的实时人手检测系统
| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-11页 |
| ·研究背景 | 第7-8页 |
| ·国内外研究现状 | 第8-9页 |
| ·研究难点 | 第9页 |
| ·论文结构 | 第9-11页 |
| 第二章 人手检测算法综述 | 第11-28页 |
| ·传统人手检测算法 | 第11-13页 |
| ·基于肤色的人手检测 | 第11-12页 |
| ·基于图像分割的人手检测 | 第12-13页 |
| ·基于特征提取与选择的算法 | 第13-21页 |
| ·Haar小波举行特征 | 第13-17页 |
| ·LBP特征 | 第17-18页 |
| ·SIFT特征 | 第18-21页 |
| ·统计学习方法简介 | 第21-27页 |
| ·SVM学习算法 | 第22-25页 |
| ·Adaboost学习算法 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 共生的梯度方向直方图 | 第28-40页 |
| ·引言 | 第28-29页 |
| ·HOG特征 | 第29-33页 |
| ·输入图像归一化 | 第29-30页 |
| ·计算梯度 | 第30页 |
| ·HOG特征的提取 | 第30-33页 |
| ·利用SVM进行分类 | 第33页 |
| ·改进的共生梯度方向直方图算法 | 第33-39页 |
| ·基本思想 | 第34页 |
| ·原始的CoHOG特征介绍 | 第34-35页 |
| ·改进的CoHOG | 第35-38页 |
| ·利用增量主成分分析算法对特征进行降维 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 人手检测系统的实现 | 第40-50页 |
| ·硬件组成 | 第40-41页 |
| ·训练样本的选取以及分类器的训练 | 第41-42页 |
| ·利用多个模型联合进行检测 | 第42页 |
| ·多分辨率快速检测 | 第42-45页 |
| ·基本流程 | 第43-44页 |
| ·多分辨率分类器的训练 | 第44页 |
| ·利用多分辨率模型进行检测 | 第44-45页 |
| ·追踪算法 | 第45-47页 |
| ·基本思想 | 第45-46页 |
| ·检测过程 | 第46页 |
| ·目标位置以及尺度分析 | 第46-47页 |
| ·检测和追踪过程的结合 | 第47页 |
| ·实验结果以及分析 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| ·总结 | 第50-51页 |
| ·展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 发表论文和参加科研情况说明 | 第56-57页 |
| 致谢 | 第57页 |
