| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-15页 |
| ·研究背景及其意义 | 第8-10页 |
| ·研究现状 | 第10-11页 |
| ·研究难点 | 第11-13页 |
| ·论文的主要工作及内容安排 | 第13-15页 |
| ·论文的主要工作 | 第13页 |
| ·内容安排 | 第13-15页 |
| 第2章 行人检测框架以及评价的标准 | 第15-19页 |
| ·基于窗口的行人检测过程 | 第15-16页 |
| ·行人检测的评价标准 | 第16页 |
| ·DET（Detection Error Tradeoff）曲线描述 | 第16-17页 |
| ·本章小结 | 第17-19页 |
| 第3章 行人检测训练以及特征提取 | 第19-46页 |
| ·统计机器学习理论 | 第19-25页 |
| ·Adaboost 算法 | 第20-22页 |
| ·SVM 分类算法 | 第22-25页 |
| ·特征提取 | 第25-45页 |
| ·Haar-Like 特征 | 第26-30页 |
| ·SIFT 特征 | 第30-40页 |
| ·HOG 特征 | 第40-43页 |
| ·LBP 特征 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 统计结构梯度特征以及训练框架 | 第46-61页 |
| ·引言 | 第46-47页 |
| ·人眼视觉成像原理 | 第46-47页 |
| ·检测目标的描述 | 第47页 |
| ·结构特征 | 第47-50页 |
| ·自然梯度特征 | 第50-56页 |
| ·梯度定义 | 第50-51页 |
| ·八方向二值图像梯度计算实验 | 第51-53页 |
| ·八方向灰度图像梯度计算实验 | 第53-54页 |
| ·实验结果分析 | 第54-56页 |
| ·统计结构梯度特征 SSGF(Statical structure Gradient Feature) | 第56-57页 |
| ·训练框架以及检测结构 | 第57-59页 |
| ·加速检测技术 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第5章 实验结果分析 | 第61-69页 |
| ·实验平台介绍 | 第61页 |
| ·分类器性能评价 | 第61-66页 |
| ·部分检测结果 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 个人简历、在学期间发表的学术论文和研究成果 | 第75页 |