| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-16页 |
| ·本课题研究的背景和意义 | 第9-10页 |
| ·行人检测研究现状 | 第10-14页 |
| ·行人检测研究机构 | 第10页 |
| ·行人检测技术现状 | 第10-14页 |
| ·本文研究目的和主要内容 | 第14-16页 |
| 第2章 基于统计学习的行人检测 | 第16-36页 |
| ·统计学习算法 | 第16-30页 |
| ·Adaboost算法 | 第16-23页 |
| ·级联分类器 | 第23-25页 |
| ·支持向量机理论 | 第25-30页 |
| ·行人特征 | 第30-32页 |
| ·Haar-like特征 | 第30页 |
| ·Hog特征 | 第30-31页 |
| ·纹理特征和不变矩特征 | 第31-32页 |
| ·相关改进措施 | 第32-34页 |
| ·特征的改进 | 第32-33页 |
| ·算法的改进 | 第33-34页 |
| ·行人检测算法流程 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第3章 基于Haar-like特征和Hog特征的分级行人检测算法 | 第36-48页 |
| ·基于Haar-like特征的Adaboost粗检测 | 第36-41页 |
| ·样本集 | 第36-37页 |
| ·积分图 | 第37-38页 |
| ·级联分类器训练 | 第38-39页 |
| ·图像粗检测 | 第39-41页 |
| ·基于Hog特征与SVM的行人识别 | 第41-45页 |
| ·Hog特征提取 | 第42-45页 |
| ·核函数的选择 | 第45页 |
| ·实验结果 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第4章 基于Hog特征和纹理不变矩特征的分级行人检测算法 | 第48-57页 |
| ·基于Hog特征的Adaboost粗检测 | 第48-50页 |
| ·样本集 | 第48-49页 |
| ·级联分类器训练与粗检测 | 第49-50页 |
| ·基于纹理不变矩特征与SVM的行人识别 | 第50-54页 |
| ·纹理和不变矩特征提取 | 第50-53页 |
| ·核函数的选择 | 第53-54页 |
| ·实验结果 | 第54-55页 |
| ·本章小结 | 第55-57页 |
| 第5章 总结与展望 | 第57-59页 |
| ·工作总结 | 第57-58页 |
| ·工作展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第65页 |
