| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景和意义 | 第9-10页 |
| ·国内外研究动态及现状分析 | 第10-13页 |
| ·国内外研究动态 | 第10-11页 |
| ·现状分析 | 第11-13页 |
| ·主要研究工作 | 第13页 |
| ·论文组织 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 第二章 行人检测综述 | 第15-37页 |
| ·引言 | 第15页 |
| ·特征提取 | 第15-24页 |
| ·HOG 特征 | 第15-18页 |
| ·LBP 特征 | 第18-19页 |
| ·Shape Contexts 特征 | 第19-20页 |
| ·Haar 型特征 | 第20-21页 |
| ·Edgelet 特征 | 第21-22页 |
| ·HOG-LBP 特征 | 第22-23页 |
| ·积分通道特征（Integral Channel Features） | 第23-24页 |
| ·模式分类 | 第24-36页 |
| ·支持向量机（Support Vector Machine, SVM） | 第24-29页 |
| ·AdaBoost | 第29-36页 |
| ·本章小结 | 第36-37页 |
| 第三章 低维特征目标模型 | 第37-49页 |
| ·引言 | 第37页 |
| ·梯度方向直方图金字塔（PHOG） | 第37-39页 |
| ·相关工作 | 第39-40页 |
| ·低维度梯度算子 | 第40-47页 |
| ·算法框架 | 第40-41页 |
| ·FAST 角点检测 | 第41-42页 |
| ·特征点描述 | 第42-43页 |
| ·统一特征维数 | 第43-44页 |
| ·实验 | 第44-47页 |
| ·本章小结 | 第47-49页 |
| 第四章 随机森林在行人检测中的应用 | 第49-61页 |
| ·引言 | 第49页 |
| ·决策树 | 第49-54页 |
| ·决策树算法 | 第49-50页 |
| ·决策属性的选取 | 第50-52页 |
| ·决策树的剪枝 | 第52-54页 |
| ·从决策树到随机森林 | 第54-56页 |
| ·构建随机森林 | 第56-57页 |
| ·装袋法（Bagging） | 第56页 |
| ·更新权重法 | 第56-57页 |
| ·输入法 | 第57页 |
| ·输出法 | 第57页 |
| ·随机森林决策 | 第57-59页 |
| ·特征选择及随机森林设计 | 第59页 |
| ·实验 | 第59-61页 |
| 总结与展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 附录 A（攻读硕士学位期间发表论文目录） | 第67-68页 |
| 低维度特征的行人检测研究 | 第68-75页 |