| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-16页 |
| 1.3 本文的主要工作 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第二章 行人检测相关技术 | 第19-33页 |
| 2.1 图像的彩色空间 | 第19-22页 |
| 2.1.1 RGB彩色空间 | 第19-20页 |
| 2.1.2 HSV彩色空间 | 第20页 |
| 2.1.3 RGB和HSV模型转换 | 第20-22页 |
| 2.2 机器学习分类器 | 第22-28页 |
| 2.2.1 支持向量机 | 第22-26页 |
| 2.2.2 自适应增强算法 | 第26-27页 |
| 2.2.3 随机森林 | 第27-28页 |
| 2.3 行人检测候选区域搜索策略 | 第28-29页 |
| 2.3.1 滑动窗口遍历法 | 第28页 |
| 2.3.2 超滑动窗口法 | 第28页 |
| 2.3.3 目标推荐法 | 第28-29页 |
| 2.4 目标定位方法 | 第29-30页 |
| 2.4.1 非极大值抑制 | 第29页 |
| 2.4.2 轮廓预测 | 第29-30页 |
| 2.5 性能评价标准 | 第30-32页 |
| 2.5.1 评价参数 | 第30-31页 |
| 2.5.2 评价曲线 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 融合共生关系与矩阵式级联分类器的行人检测算法 | 第33-44页 |
| 3.1 算法基础 | 第34-36页 |
| 3.1.1 共生方向梯度直方图 | 第34-35页 |
| 3.1.2 局部二值计数 | 第35-36页 |
| 3.2 算法描述 | 第36-40页 |
| 3.2.1 共生局部量化编码 | 第36-38页 |
| 3.2.2 改进的共生方向梯度直方图 | 第38-39页 |
| 3.2.3 矩阵式级联分类器 | 第39-40页 |
| 3.3 实验结果与分析 | 第40-43页 |
| 3.3.1 特征描述能力比较 | 第40页 |
| 3.3.2 分类器性能比较 | 第40-41页 |
| 3.3.3 算法鲁棒性比较 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于自适应HCS-LBP特征的行人检测算法 | 第44-56页 |
| 4.1 算法基础 | 第45-47页 |
| 4.1.1 Haar-like特征 | 第45-46页 |
| 4.1.2 中心对称局部二值模式 | 第46-47页 |
| 4.2 算法描述 | 第47-52页 |
| 4.2.1 HCS-LBP编码模型 | 第47-48页 |
| 4.2.2 全局自适应阈值 | 第48-49页 |
| 4.2.3 局部自适应阈值 | 第49页 |
| 4.2.4 信息熵加权 | 第49-50页 |
| 4.2.5 直方图交叉核支持向量机 | 第50-52页 |
| 4.3 实验结果与分析 | 第52-55页 |
| 4.3.1 不同提取方式的特征性能比较 | 第52页 |
| 4.3.2 不同颜色空间的特征性能比较 | 第52-53页 |
| 4.3.3 不同特征的性能比较 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 本论文工作总结 | 第56-57页 |
| 5.2 未来研究展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间的研究成果 | 第64-65页 |