| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究难点 | 第11-15页 |
| 1.2.1 国内外研究进展 | 第13-15页 |
| 1.3 本文章节安排 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 行人检测算法基本原理 | 第17-33页 |
| 2.1 行人检测算法概要 | 第17页 |
| 2.2 行人检测基本特征 | 第17-24页 |
| 2.2.1 HOG特征 | 第17-21页 |
| 2.2.2 LBP特征 | 第21-23页 |
| 2.2.3 积分通道特征 | 第23-24页 |
| 2.3 机器学习算法 | 第24-31页 |
| 2.3.1 支持向量机 | 第25-29页 |
| 2.3.2 Boosting | 第29-31页 |
| 2.4 检测性能评估 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于HOG-ULBP特征融合行人检测算法分析 | 第33-51页 |
| 3.1 特征提取 | 第33-35页 |
| 3.1.1 HOG特征提取 | 第33-34页 |
| 3.1.2 LBP特征提取 | 第34-35页 |
| 3.2 HOG-ULBP特征融合算法 | 第35-40页 |
| 3.2.1 HOG-ULBP串联融合算法 | 第35-36页 |
| 3.2.2 基于PCA-HOG与ULBP特征的特征融合 | 第36-37页 |
| 3.2.3 基于权重的级联分类器的特征融合 | 第37-40页 |
| 3.3 检测窗口融合 | 第40-43页 |
| 3.4 系统设计与实验 | 第43-50页 |
| 3.4.1 实验硬件与软件环境 | 第44-45页 |
| 3.4.2 实验数据 | 第45-47页 |
| 3.4.3 结果分析 | 第47-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于通道特征融合的行人检测算法分析 | 第51-70页 |
| 4.1 通道特征的提取 | 第51-55页 |
| 4.1.1 HSI颜色通道特征 | 第51-52页 |
| 4.1.2 LUV颜色通道特征 | 第52-53页 |
| 4.1.3 YUV颜色通道特征 | 第53页 |
| 4.1.4 梯度直方图通道特征 | 第53-54页 |
| 4.1.5 归一化梯度幅值 | 第54-55页 |
| 4.1.6 通道特征选择 | 第55页 |
| 4.2 多尺度特征的快速计算 | 第55-60页 |
| 4.2.1 通道特征积分图 | 第55-56页 |
| 4.2.2 多尺度特征的估计 | 第56-59页 |
| 4.2.3 通道特征金字塔的快速估计 | 第59-60页 |
| 4.2.4 仿真结果与分析 | 第60页 |
| 4.3 通道特征归一化 | 第60-62页 |
| 4.4 Bootstrapping | 第62-63页 |
| 4.5 实验结果与分析 | 第63-69页 |
| 4.5.1 精度比较 | 第65-68页 |
| 4.5.2 速度比较 | 第68-69页 |
| 4.6 本章总结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 全文总结 | 第70-71页 |
| 5.2 工作展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-78页 |
| 致谢 | 第78-79页 |
| 答辩委员会对论文的评定意见 | 第79页 |