| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 课题研究的背景及意义 | 第14-15页 |
| 1.2 国内外的研究现状 | 第15-19页 |
| 1.2.1 国外研究现状 | 第16-18页 |
| 1.2.2 国内研究现状 | 第18-19页 |
| 1.3 本文的主要工作与内容安排 | 第19-20页 |
| 第二章 人体特征描述算子 | 第20-32页 |
| 2.1 HOG特征 | 第20-24页 |
| 2.2 Haar-like特征 | 第24-28页 |
| 2.3 LBP特征 | 第28-30页 |
| 2.4 shapelet特征 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 机器学习方法 | 第32-43页 |
| 3.1 支持向量机 | 第32-37页 |
| 3.1.1 支持向量机原理及计算方法 | 第33-36页 |
| 3.1.2 SVM的参数优化 | 第36-37页 |
| 3.2 AdaBoost | 第37-40页 |
| 3.3 级联分类器 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于多特征融合的行人检测方法研究 | 第43-61页 |
| 4.1 数据集 | 第43-44页 |
| 4.2 评价指标 | 第44页 |
| 4.3 相位一致性特征与LBP相结合的行人检测 | 第44-60页 |
| 4.3.1 相位一致性的基本原理 | 第45-49页 |
| 4.3.2 构造二维对数Gabor滤波器 | 第49-50页 |
| 4.3.3 利用二维对数Gabor函数提取图像的相位一致性特征 | 第50-52页 |
| 4.3.4 人体检测算法中LBP特征提取 | 第52-53页 |
| 4.3.5 多特征行人检测 | 第53-57页 |
| 4.3.6 检测窗口融合 | 第57-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 本文的主要工作 | 第61页 |
| 5.2 工作展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第67-68页 |