| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-16页 |
| ·研究背景 | 第9页 |
| ·行人检测系统简介 | 第9-13页 |
| ·行人检测系统框架 | 第9-10页 |
| ·传感器 | 第10页 |
| ·分类算法 | 第10-12页 |
| ·系统评价标准 | 第12-13页 |
| ·本文工作及结构简述 | 第13-16页 |
| ·本文的工作介绍 | 第13-14页 |
| ·本文工作的创新之处 | 第14页 |
| ·本文的组织结构 | 第14-16页 |
| 第2章 智能交通的行人检测系统现状 | 第16-33页 |
| ·PDS 研究现状 | 第16-18页 |
| ·国内外主要研究机构 | 第16页 |
| ·国外典型的车载原型系统 | 第16-18页 |
| ·行人检测技术研究方法 | 第18-21页 |
| ·模型方法 | 第18-19页 |
| ·形状轮廓的方法 | 第19-20页 |
| ·立体视觉的方法 | 第20页 |
| ·多传感器融合方法 | 第20-21页 |
| ·特征提取和分类技术在行人检测技术中的研究现状 | 第21-30页 |
| ·特征提取方法 | 第21-29页 |
| ·分类器 | 第29-30页 |
| ·多分类器联合检测 | 第30页 |
| ·行人检测中现有特征提取和分类技术的不足 | 第30-32页 |
| ·特征提取方法 | 第30-31页 |
| ·分类技术 | 第31页 |
| ·特征选择方法 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 面向支持向量机的Boosting 特征选择方法 | 第33-43页 |
| ·特征选择的必要性 | 第33-34页 |
| ·特征选择研究背景 | 第34-35页 |
| ·搜索策略 | 第34-35页 |
| ·评估策略 | 第35页 |
| ·Boosting 策略方法介绍 | 第35-40页 |
| ·Boosting 策略 | 第35-36页 |
| ·Core Vector Machine（CVM） | 第36-38页 |
| ·Boosting 为SVM 选取特征的过程 | 第38页 |
| ·预处理和数据归一化 | 第38-39页 |
| ·核空间上的评价函数 | 第39-40页 |
| ·实验和结果 | 第40-42页 |
| ·使用基于核空间距离和基于欧式距离的估价函数的对比 | 第40-41页 |
| ·使用boosting 和非boosting 的分类对比 | 第41-42页 |
| ·本章结论 | 第42-43页 |
| 第4章 利用组合分类器进行行人检测 | 第43-56页 |
| ·针对行人检测设计分类器的特点 | 第43-44页 |
| ·组合分类器应用背景 | 第44-45页 |
| ·基本分类器 | 第45-47页 |
| ·提升方法和Adaboost | 第45-46页 |
| ·样本非平衡CVM 方法 | 第46-47页 |
| ·树状分类组合性能分析和训练过程优化 | 第47-52页 |
| ·树状组合分类器的性能分析 | 第47-49页 |
| ·负样本采用的优化方法 | 第49页 |
| ·将正样本分成两个平衡和独立子集的优化方法 | 第49-50页 |
| ·树状组合分类器的训练流程 | 第50-52页 |
| ·组合分类器在行人检测中的应用 | 第52-55页 |
| ·双层组合分类器结构 | 第52页 |
| ·实验和结果 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 结束语 | 第56-58页 |
| ·本文的工作总结 | 第56-57页 |
| ·进一步研究展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读学位期间成果 | 第62-63页 |
| 致谢 | 第63页 |
