基于统计学习的行人检测研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-15页 |
| ·研究背景与意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·主要研究内容 | 第13-14页 |
| ·论文的组织结构 | 第14-15页 |
| 第二章 行人检测理论 | 第15-41页 |
| ·主流理论方法 | 第15-17页 |
| ·行人检测数据集 | 第17-19页 |
| ·基于统计学习的行人检测 | 第19-25页 |
| ·检测流程 | 第19-20页 |
| ·特征编码 | 第20-21页 |
| ·分类方法 | 第21-23页 |
| ·聚类方法 | 第23-25页 |
| ·梯度直方图 | 第25-29页 |
| ·支持向量机 | 第29-36页 |
| ·经验风险 | 第30页 |
| ·结构风险 | 第30-32页 |
| ·最优超平面 | 第32-34页 |
| ·线性 SVM 训练与检测 | 第34-36页 |
| ·DPM 模型与 Latent SVM | 第36-39页 |
| ·DPM 模型 | 第36-38页 |
| ·Latent SVM | 第38-39页 |
| ·算法性能评测方法 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第三章 低分辨率行人检测 | 第41-51页 |
| ·现有算法的局限性 | 第41-42页 |
| ·多分辨率行人检测 | 第42页 |
| ·特征空间映射 | 第42-43页 |
| ·基于统计学习的模型优化算法 | 第43-45页 |
| ·特征子空间模型参数优化 | 第44-45页 |
| ·特征变换矩阵优化 | 第45页 |
| ·模型参数初始化 | 第45-46页 |
| ·实验及结果分析 | 第46-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 行人检测实时化 | 第51-62页 |
| ·识别算法与搜索区域 | 第51页 |
| ·基于积分 HOG 的行人识别算法 | 第51-54页 |
| ·积分 HOG 理论 | 第51-52页 |
| ·Adaboost | 第52-53页 |
| ·实验及结果分析 | 第53-54页 |
| ·几何限制 | 第54-57页 |
| ·实时行人检测系统 | 第57-61页 |
| ·系统设计思想 | 第57页 |
| ·算法选择 | 第57-58页 |
| ·算法内部加速机制 | 第58-59页 |
| ·几何限制 | 第59页 |
| ·性能评估 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| ·本文工作总结 | 第62页 |
| ·工作展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
