| 摘要 | 第5-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题的研究背景和意义 | 第10-12页 |
| 1.2 行人检测与跟踪国内外研究现状 | 第12-14页 |
| 1.2.1 行人检测技术国内外研究现状 | 第12-13页 |
| 1.2.2 行人跟踪技术国内外研究现状 | 第13-14页 |
| 1.3 存在问题及技术难点 | 第14-16页 |
| 1.3.1 行人检测中存在的问题 | 第14-15页 |
| 1.3.2 行人跟踪中存在的问题 | 第15-16页 |
| 1.3.3 行人检测和跟踪技术的技术难点 | 第16页 |
| 1.4 本文研究的主要内容 | 第16-17页 |
| 1.5 本文章节的结构安排 | 第17-18页 |
| 第二章 行人检测和跟踪算法理论 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 行人检测关键技术 | 第18-24页 |
| 2.2.1 行人检测特征描述 | 第18-22页 |
| 2.2.2 行人检测分类器 | 第22-24页 |
| 2.3 行人跟踪算法 | 第24-26页 |
| 2.3.1 卡尔曼滤波跟踪算法 | 第24-25页 |
| 2.3.2 均值偏移跟踪算法 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 基于感兴趣区域特征融合的行人检测 | 第28-46页 |
| 3.1 引言 | 第28页 |
| 3.2 感兴趣区域提取 | 第28-31页 |
| 3.3 特征提取 | 第31-39页 |
| 3.3.1 颜色特征提取 | 第31-35页 |
| 3.3.2 纹理特征提取 | 第35-39页 |
| 3.4 特征融合 | 第39-40页 |
| 3.5 Adaboost训练 | 第40-43页 |
| 3.5.1 Adaboost算法介绍 | 第40-41页 |
| 3.5.2 AdaBoost训练流程 | 第41-43页 |
| 3.6 实验结果及分析 | 第43-44页 |
| 3.7 本章小结 | 第44-46页 |
| 第四章 基于特征融合MeanShift的行人跟踪算法研究 | 第46-60页 |
| 4.1 引言 | 第46页 |
| 4.2 MeanShift算法 | 第46-50页 |
| 4.2.1 无参密度估计理论 | 第46-48页 |
| 4.2.2 MeanShift扩展形式 | 第48-49页 |
| 4.2.3 Mean Shift算法步骤 | 第49-50页 |
| 4.3 传统的MeanShift跟踪算法 | 第50-52页 |
| 4.4 基于改进的MeanShift的行人跟踪 | 第52-59页 |
| 4.4.1 多特征提取 | 第53-56页 |
| 4.4.2 目标建模 | 第56-57页 |
| 4.4.3 算法步骤 | 第57页 |
| 4.4.4 实验结果与分析 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间公开发表的论文及科研成果 | 第66-68页 |
| 致谢 | 第68页 |