| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 插图索引 | 第8-10页 |
| 附表索引 | 第10-11页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 论文背景与研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文的主要工作 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 第二章 行人识别的平台环境和数据采集 | 第16-24页 |
| 2.1 行人检测的平台环境 | 第16-17页 |
| 2.2 数据采集 | 第17-22页 |
| 2.2.1 视频采集卡 | 第17-18页 |
| 2.2.2 视频数据采集程序框架 | 第18-22页 |
| 2.3 本章小结 | 第22-24页 |
| 第三章 运动目标的检测 | 第24-33页 |
| 3.1 运动检测对于行人检测的意义 | 第24-26页 |
| 3.1.1 可靠性和实时性的影响 | 第24-25页 |
| 3.1.2 运动检测后产生的二值图带来的影响 | 第25-26页 |
| 3.2 当前流行的运动检测方法 | 第26-29页 |
| 3.2.1 光流法 | 第26-27页 |
| 3.2.2 帧间差分法 | 第27-28页 |
| 3.2.3 背景减去法 | 第28-29页 |
| 3.3 基于混合高斯模型的背景减去法 | 第29-32页 |
| 3.3.1 混合高斯模型的基本思想 | 第29-31页 |
| 3.3.2 场景背景的选取 | 第31-32页 |
| 3.3.3 检测运动前景 | 第32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于 CENTRIST 特征的行人检测 | 第33-55页 |
| 4.1 行人检测分类器 | 第33-49页 |
| 4.1.1 线性分类器 | 第33-34页 |
| 4.1.2 贝叶斯分类器 | 第34-39页 |
| 4.1.3 人工神经网络分类器 | 第39-43页 |
| 4.1.4 聚类分类器 | 第43-44页 |
| 4.1.5 支持向量机算法(SVM) | 第44-49页 |
| 4.2 CENTRIST 算子描述符 | 第49-51页 |
| 4.2.1 CENTRIST 算子的基本方法 | 第49-51页 |
| 4.3 CENTRIST 算子与 SVM 分类器的行人检测方法 | 第51-52页 |
| 4.4 测试结果与分析 | 第52-55页 |
| 第五章 总结和展望 | 第55-58页 |
| 5.1 工作总结 | 第55-56页 |
| 5.2 工作展望 | 第56-58页 |
| 参考文献 | 第58-65页 |
| 成果目录 | 第65-66页 |
| 致谢 | 第66页 |