基于全景视觉的行人检测技术研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-20页 |
| ·课题研究的背景和意义 | 第10页 |
| ·全景视觉国内外研究现状 | 第10-14页 |
| ·国外研究发展概况 | 第10-14页 |
| ·国内研究发展概况 | 第14页 |
| ·行人检测研究技术概述 | 第14-16页 |
| ·GPU技术概述 | 第16-18页 |
| ·本文研究的主要内容 | 第18-20页 |
| 第2章 全景视觉图像还原解算方法研究 | 第20-25页 |
| ·双曲面折反射全景视觉系统成像原理 | 第20-22页 |
| ·全景图像柱面还原解算算法 | 第22页 |
| ·全景图像透视还原解算算法 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于特征提取和机器学习的行人检测 | 第25-41页 |
| ·行人特征提取 | 第25-29页 |
| ·LBP特征 | 第25-26页 |
| ·学习shaplet特征 | 第26-27页 |
| ·HOG特征 | 第27-29页 |
| ·基于机器学习的分类方法研究 | 第29-36页 |
| ·Adaboost算法 | 第29-30页 |
| ·支持向量机分类方法 | 第30-36页 |
| ·基于线性支持向量机的行人检测器设计 | 第36-40页 |
| ·行人检测的训练集和测试集 | 第36-37页 |
| ·性能评价指标 | 第37页 |
| ·行人检测算法的训练和测试流程 | 第37-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 基于全景视觉的行人检测器设计与实现 | 第41-51页 |
| ·全景视觉系统设计 | 第41-42页 |
| ·积分梯度方向直方图特征 | 第42-44页 |
| ·积分图像与矩形特征 | 第42-44页 |
| ·积分梯度方向直方图计算 | 第44页 |
| ·多结果融合中非极大值抑制算法 | 第44-47页 |
| ·基于全景视觉的行人检测器训练与测试 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 基于GPU并行计算的行人检测器设计 | 第51-70页 |
| ·NVIDIA的CUDA并行计算技术 | 第52-55页 |
| ·CUDA线程层次结构 | 第52-53页 |
| ·CUDA存储器层次结构 | 第53-54页 |
| ·CUDA通讯机制 | 第54-55页 |
| ·利用GPU并行计算加速全景图像还原解算 | 第55-57页 |
| ·全景图像数据的传输 | 第55页 |
| ·全景图像柱面还原算法改进 | 第55-57页 |
| ·利用GPU加速计算积分梯度方向直方图 | 第57-65页 |
| ·像素点梯度方向和幅度的计算 | 第57-58页 |
| ·并行累加和(扫描)算法 | 第58-64页 |
| ·直方图归一化 | 第64-65页 |
| ·利用GPU加速线性支持向量机计算 | 第65-66页 |
| ·实验结果与分析 | 第66-67页 |
| ·训练和测试数据集 | 第66页 |
| ·实验结果 | 第66-67页 |
| ·CUDA中的算法优化策略 | 第67-68页 |
| ·并行任务的划分 | 第67页 |
| ·具体线程映射 | 第67页 |
| ·存储器访问优化 | 第67-68页 |
| ·指令流优化 | 第68页 |
| ·本章小结 | 第68-70页 |
| 结论 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第75-76页 |
| 致谢 | 第76页 |
