| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-16页 |
| ·课题的研究背景和意义 | 第10-11页 |
| ·行人检测与跟踪国内外研究现状 | 第11-13页 |
| ·行人检测 | 第11-12页 |
| ·行人跟踪 | 第12-13页 |
| ·行人检测和跟踪技术研究中存在的问题 | 第13-14页 |
| ·行人检测中存在的问题 | 第13-14页 |
| ·行人跟踪中存在的问题 | 第14页 |
| ·本文研究的主要内容 | 第14-15页 |
| ·本文章节的结构安排 | 第15-16页 |
| 第二章 行人检测与跟踪算法中相关理论基础 | 第16-33页 |
| ·图像特征简述 | 第16-21页 |
| ·颜色特征空间 | 第16-18页 |
| ·HOG 特征 | 第18-19页 |
| ·矩形梯度特征 | 第19-21页 |
| ·LBP 特征 | 第21页 |
| ·图像增强的相关知识 | 第21-25页 |
| ·直接灰度变换增强 | 第22页 |
| ·直方图均衡化 | 第22-23页 |
| ·中值滤波 | 第23-25页 |
| ·AdaBoost 算法 | 第25-27页 |
| ·支持向量机算法 | 第27-31页 |
| ·线性可分情况下的 SVM | 第27-30页 |
| ·非线性可分情况下的 SVM | 第30-31页 |
| ·训练样本与测试视频 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 基于改进 LPB 特征的行人检测 | 第33-46页 |
| ·引言 | 第33页 |
| ·LBP 理论及其模式 | 第33-36页 |
| ·基本 LBP 算子 | 第34-35页 |
| ·LBP 算子的均匀模式 | 第35页 |
| ·LBP 算子的旋转不变模式 | 第35-36页 |
| ·改进的 LBP 特征算子 | 第36-40页 |
| ·问题的提出 | 第36-37页 |
| ·CLBP 算子 | 第37-40页 |
| ·SVM 的核函数及参数选取 | 第40-43页 |
| ·核函数 | 第40-41页 |
| ·核函数及其参数选择比较 | 第41-43页 |
| ·实验结果与分析 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于改进 AdaBoost 的双层行人检测算法 | 第46-59页 |
| ·引言 | 第46-47页 |
| ·传统 AdaBoost 算法的不足 | 第47页 |
| ·改进的 AdaBoost 算法 | 第47-52页 |
| ·样本训练过程中权重更新的改进 | 第47-48页 |
| ·正负训练样本不均衡问题的改进 | 第48页 |
| ·改进的 AdaBoost 算法实现过程 | 第48-51页 |
| ·实验效果对比与分析 | 第51-52页 |
| ·SVM 分类器 | 第52-55页 |
| ·级联 SVM | 第53-54页 |
| ·特征及样本选取 | 第54-55页 |
| ·AdaBoost+SVM 组合分类器 | 第55页 |
| ·实验结果及分析 | 第55-58页 |
| ·本章小结 | 第58-59页 |
| 第五章 基于改进的 Camshift 行人跟踪算法 | 第59-77页 |
| ·引言 | 第59-60页 |
| ·Mean Shift 算法 | 第60-64页 |
| ·Mean Shift 的理论基础 | 第60页 |
| ·多维空间下的非参数密度估计 | 第60-63页 |
| ·Mean Shift 算法的跟踪步骤 | 第63-64页 |
| ·Camshift 算法 | 第64-68页 |
| ·颜色概率分布图 | 第64-65页 |
| ·跟踪步骤 | 第65-66页 |
| ·Camshift 算法优缺点分析 | 第66-68页 |
| ·改进的 Camshift 算法 | 第68-72页 |
| ·空间直方图 | 第68-70页 |
| ·模板更新 | 第70-72页 |
| ·实验及分析 | 第72-76页 |
| ·本章小结 | 第76-77页 |
| 第六章 结语 | 第77-80页 |
| ·全文总结 | 第77-78页 |
| ·创新点 | 第78页 |
| ·展望 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-85页 |
| 攻读学位期间的科研项目及研究成果 | 第85页 |