基于视觉的移动机器人人体检测算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-18页 |
| ·课题研究的背景和意义 | 第9-10页 |
| ·基于视觉的移动机器人研究现状 | 第10-13页 |
| ·运动目标检测研究状况 | 第13-15页 |
| ·人体检测研究状况 | 第15-16页 |
| ·本文研究内容及论文结构 | 第16-17页 |
| ·课题来源 | 第17-18页 |
| 第2章 移动机器人人体检测框架 | 第18-27页 |
| ·移动机器人人体检测系统软硬件平台 | 第18页 |
| ·基于检测窗口的移动机器人人体检测框架 | 第18-19页 |
| ·训练样本图像集的选取 | 第19-21页 |
| ·移动机器人人体检测算法的特征选取 | 第21-26页 |
| ·sift特征 | 第21-23页 |
| ·harr-like特征 | 第23-25页 |
| ·基于梯度直方图特征(HOG)特征 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 基于混合高斯模型的运动目标检测 | 第27-40页 |
| ·图像去噪 | 第27-30页 |
| ·中值滤波 | 第27-28页 |
| ·均值滤波 | 第28-30页 |
| ·高斯模型 | 第30页 |
| ·单高斯模型 | 第30-32页 |
| ·混合高斯模型 | 第32-39页 |
| ·混合高斯模型的建立 | 第32-34页 |
| ·混合高斯模型的参数估计 | 第34-35页 |
| ·混合高斯模型的关键参数选择 | 第35-36页 |
| ·实验结果及分析 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 基于GMM优化的移动机器人人体检测算法 | 第40-62页 |
| ·图像梯度方向直方图(HOG)特征的提取 | 第40-49页 |
| ·Gamma校正/颜色空间归一化 | 第42页 |
| ·计算像素梯度 | 第42-44页 |
| ·Cell单元的梯度幅值统计 | 第44-48页 |
| ·Block的归一化 | 第48页 |
| ·得到检测窗口的HOG特征向量 | 第48-49页 |
| ·基于混合高斯模型优化的移动机器人人体检测算法 | 第49-50页 |
| ·支持向量机SVM | 第50-56页 |
| ·线性分类器 | 第50-51页 |
| ·最优分类面 | 第51-53页 |
| ·核函数 | 第53-55页 |
| ·松弛变量 | 第55-56页 |
| ·训练流程 | 第56-57页 |
| ·移动机器人人体检测算法评价方法 | 第57-58页 |
| ·实验结果与分析 | 第58-61页 |
| ·本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| ·总结 | 第62页 |
| ·展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-67页 |
