可辨别轮廓的单帧多尺度红外行人检测
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 课题研究背景和意义 | 第15-17页 |
| 1.2 研究现状 | 第17-20页 |
| 1.3 研究内容及章节安排 | 第20-23页 |
| 1.3.1 研究内容 | 第20-21页 |
| 1.3.2 本文章节安排 | 第21-23页 |
| 第二章 红外行人检测算法理论分析 | 第23-37页 |
| 2.1 引言 | 第23页 |
| 2.2 红外行人特征分析 | 第23-30页 |
| 2.2.1 HOG特征 | 第23-25页 |
| 2.2.2 HLID特征 | 第25-26页 |
| 2.2.3 HOI特征 | 第26-29页 |
| 2.2.4 Haar_like特征 | 第29-30页 |
| 2.3 经典分类器原理 | 第30-35页 |
| 2.3.1 SVM分类器 | 第31-33页 |
| 2.3.2 Adaboost分类器 | 第33-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第三章 红外行人ROI提取方法研究 | 第37-53页 |
| 3.1 引言 | 第37页 |
| 3.2 基于邻域最大差值的红外行人分割算法 | 第37-41页 |
| 3.2.1 ROI提取算法框架 | 第37-38页 |
| 3.2.2 图像分割 | 第38-40页 |
| 3.2.3 连通区域定位 | 第40-41页 |
| 3.3 算法流程及结果分析 | 第41-51页 |
| 3.3.1 算法流程及实验参数 | 第41-43页 |
| 3.3.2 分割方法效果评估及分析 | 第43-47页 |
| 3.3.3 分割方法抗噪评估及分析 | 第47-51页 |
| 3.4 本章小结 | 第51-53页 |
| 第四章 基于团块模型的红外行人头部搜索算法 | 第53-65页 |
| 4.1 引言 | 第53页 |
| 4.2 头部搜索算法框架 | 第53-54页 |
| 4.3 头部区域位置搜索 | 第54-58页 |
| 4.3.1 八方向边缘检测 | 第54-55页 |
| 4.3.2 区域大小判定 | 第55-57页 |
| 4.3.3 区域方向统计 | 第57-58页 |
| 4.4 头部团块模型判定 | 第58-61页 |
| 4.4.1 多模板环状模型建立 | 第59-60页 |
| 4.4.2 亮度特征判定 | 第60-61页 |
| 4.5 实验结果与流程 | 第61-64页 |
| 4.6 本章小结 | 第64-65页 |
| 第五章 基于特征融合的多尺度红外行人检测算法 | 第65-83页 |
| 5.1 引言 | 第65页 |
| 5.2 算法框架 | 第65-67页 |
| 5.3 基于全局搜索和局部确认的红外行人检测算法 | 第67-77页 |
| 5.3.1 构建红外行人数据集 | 第67-68页 |
| 5.3.2 基于HOI加权纹理的近红外行人检测 | 第68-70页 |
| 5.3.3 基于HLID加权熵的远红外行人检测 | 第70-74页 |
| 5.3.4 基于并联分类的多尺度红外行人检测 | 第74-76页 |
| 5.3.5 基于Haar_like特征的头部校验 | 第76-77页 |
| 5.4 实验结果分析 | 第77-82页 |
| 5.4.1 检测结果 | 第77-79页 |
| 5.4.2 性能评价与分析 | 第79-82页 |
| 5.5 本章小结 | 第82-83页 |
| 第六章 总结与展望 | 第83-85页 |
| 6.1 工作总结 | 第83-84页 |
| 6.2 未来展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-91页 |
| 作者简介 | 第91-92页 |
