| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国内外无人驾驶研究现状 | 第12-13页 |
| 1.2.2 国内外行人检测研究现状 | 第13-15页 |
| 1.3 行人检测存在的难点问题 | 第15-16页 |
| 1.4 本文主要内容以及章节安排 | 第16-18页 |
| 第2章 基于优化HOG特征提取的强SVM分类器设计 | 第18-33页 |
| 2.1 HOG特征原理 | 第18页 |
| 2.2 HOG特征提取及优化 | 第18-26页 |
| 2.2.1 HOG特征提取 | 第18-23页 |
| 2.2.2 引入三线插值法的HOG特征优化 | 第23-26页 |
| 2.3 新型强SVM分类器的设计 | 第26-32页 |
| 2.3.1 SVM支持向量机的理论基础 | 第26-31页 |
| 2.3.2 新型强SVM分类器的生成方法 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 样本制作及SVM分类器创建 | 第33-47页 |
| 3.1 应用较为广泛的数据库介绍 | 第33页 |
| 3.2 样本的制作 | 第33-41页 |
| 3.2.1 利用MIT数据库制作样本 | 第34-38页 |
| 3.2.2 利用INRIA Person Dataset数据库制作样本 | 第38-41页 |
| 3.3 SVM分类器试验分析及性能评价 | 第41-46页 |
| 3.3.1 利用LIBSVM软件包进行训练实验 | 第41-42页 |
| 3.3.2 实验结果分析 | 第42-44页 |
| 3.3.3 径向基支持向量机的性能评价 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 基于PCA的HOG降维处理 | 第47-56页 |
| 4.1 主成分分析原理 | 第47-51页 |
| 4.2 HOG-PCA特征训练 | 第51页 |
| 4.3 HOG-PCA支持向量机训练实验 | 第51-55页 |
| 4.3.1 HOG-PCA训练实验过程 | 第51-52页 |
| 4.3.2 不同p值下的实验 | 第52-53页 |
| 4.3.3 HOG与HOG-PCA的对比实验分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 基于HOG与LBP融合的行人检测与性能评价 | 第56-71页 |
| 5.1 LBP特征提取 | 第56-60页 |
| 5.1.1 LBP特征原理 | 第56-57页 |
| 5.1.2 改进的LBP原理 | 第57-59页 |
| 5.1.3 LBP特征选择与提取过程 | 第59-60页 |
| 5.2 新型HOG-LBP特征多级联合分类器的创建和实验 | 第60-63页 |
| 5.2.1 HOG-LBP特征联合分类器的创建 | 第60-62页 |
| 5.2.2 多级特征联合分类器的实验及识别率 | 第62-63页 |
| 5.3 行人检测实验平台搭建与实验分析 | 第63-70页 |
| 5.3.1 无人驾驶感知系统 | 第63-65页 |
| 5.3.2 实验平台硬件系统搭建 | 第65-66页 |
| 5.3.3 实验软件界面 | 第66-68页 |
| 5.3.4 行人图像采集和对比实验 | 第68-70页 |
| 5.4 本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第77-78页 |
| 致谢 | 第78页 |
