| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景和意义 | 第9-11页 |
| 1.2 行人检测研究现状及分析 | 第11-14页 |
| 1.2.1 基于模板匹配的行人检测方法 | 第11-12页 |
| 1.2.2 基于表观特征的行人检测方法 | 第12-13页 |
| 1.2.3 基于多部件的行人检测方法 | 第13-14页 |
| 1.3 基于梯度特征和多分类器的行人检测方法的优势 | 第14页 |
| 1.4 本章小结 | 第14-15页 |
| 第2章 行人检测中梯度特征的提取方法 | 第15-25页 |
| 2.1 梯度方向直方图特征 | 第15-18页 |
| 2.1.1 梯度计算 | 第16-17页 |
| 2.1.2 细胞内梯度方向直方图的计算 | 第17页 |
| 2.1.3 块内归一化 | 第17-18页 |
| 2.2 金字塔梯度方向直方图特征 | 第18-19页 |
| 2.3 局部二值模式 | 第19-20页 |
| 2.4 中心对称局部二值模式 | 第20-21页 |
| 2.5 行人检测数据库 | 第21-23页 |
| 2.5.1 INRIA行人检测数据库 | 第21-22页 |
| 2.5.2 DaimlerChrysler行人检测数据库 | 第22-23页 |
| 2.5.3 Computer Vision Center行人检测数据库 | 第23页 |
| 2.6 本章实验 | 第23-24页 |
| 2.7 本章小结 | 第24-25页 |
| 第3章 基于Bagging的行人检测方法研究 | 第25-37页 |
| 3.1 引言 | 第25页 |
| 3.2 Bagging算法及其相关工作 | 第25-31页 |
| 3.2.1 Bagging算法描述 | 第25-26页 |
| 3.2.2 Bagging算法特点 | 第26页 |
| 3.2.3 决策方法 | 第26-27页 |
| 3.2.4 投票表决法组合分类器 | 第27-31页 |
| 3.3 基于剪枝的Bagging方法 | 第31页 |
| 3.4 基本分类器 | 第31-34页 |
| 3.4.1 基本SVM分类器 | 第31-33页 |
| 3.4.2 KMSE分类器 | 第33-34页 |
| 3.5 实验结果 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 基于后验概率的多分类器融合 | 第37-49页 |
| 4.1 多分类器组合概述 | 第37-40页 |
| 4.1.1 多分类器输出信息 | 第37-38页 |
| 4.1.2 多分类器集成类型 | 第38-40页 |
| 4.2 基于后验概率的多分类器融合方法 | 第40页 |
| 4.2.1 方法的提出 | 第40页 |
| 4.2.2 方法描述 | 第40页 |
| 4.3 决策模板 | 第40-42页 |
| 4.4 基本分类器 | 第42-45页 |
| 4.4.1 基于后验概率的SVM | 第42-43页 |
| 4.4.2 最小距离分类器 | 第43-44页 |
| 4.4.3 朴素贝叶斯分类器 | 第44-45页 |
| 4.5 交叉验证技术 | 第45-46页 |
| 4.6 实验结果与分析 | 第46-48页 |
| 4.6.1 数据集和特征提取 | 第46页 |
| 4.6.2 实验结果及分析 | 第46-48页 |
| 4.7 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-56页 |
| 攻读硕士期间发表的论文 | 第56-58页 |
| 致谢 | 第58页 |
