| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题的背景及研究意义 | 第10-11页 |
| 1.2 红外热成像技术研究 | 第11-12页 |
| 1.2.1 红外成像技术原理 | 第11-12页 |
| 1.2.2 主动式成像技术 | 第12页 |
| 1.2.3 被动式成像技术 | 第12页 |
| 1.3 红外图像行人检测技术的发展现状 | 第12-14页 |
| 1.3.1 国外研究现状 | 第12-14页 |
| 1.3.2 国内研究现状 | 第14页 |
| 1.4 红外图像行人检测算法构成 | 第14-15页 |
| 1.5 本文研究内容及章节安排 | 第15-17页 |
| 第二章 红外图像的特性和预处理 | 第17-31页 |
| 2.1 红外图像的特性 | 第17-21页 |
| 2.1.1 灰度统计特性 | 第17-19页 |
| 2.1.2 噪声特性 | 第19-20页 |
| 2.1.3 频率特性 | 第20-21页 |
| 2.2 红外图像降噪预处理 | 第21-22页 |
| 2.3 红外图像细节增强方法 | 第22-30页 |
| 2.3.1 红外图像的分层 | 第23-25页 |
| 2.3.2 红外图像的压缩和增强 | 第25-28页 |
| 2.3.3 红外图像的合成 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 行人检测中的行人特征提取 | 第31-40页 |
| 3.1 行人特征选择 | 第31-33页 |
| 3.2 行人特征提取 | 第33-35页 |
| 3.3 行人特征介绍 | 第35-36页 |
| 3.3.1 Shapelet特征 | 第35页 |
| 3.3.2 HOG特征 | 第35-36页 |
| 3.4 统计机器学习算法 | 第36-39页 |
| 3.4.1 机器学习 | 第36-37页 |
| 3.4.2 Adaboost算法简介 | 第37-38页 |
| 3.4.3 支持向量机(SVM)的分类理论 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 行人检测算法的研究和实现 | 第40-60页 |
| 4.1 基于Shapelet特征和HOG特征的分级行人检测算法流程 | 第40-42页 |
| 4.2 训练样本库的构建 | 第42-44页 |
| 4.3 基于Shapelet特征的Adaboost分类器 | 第44-46页 |
| 4.3.1 Shapelet特征的提取 | 第44-45页 |
| 4.3.2 AdaBoost分类器的训练过程 | 第45-46页 |
| 4.4 基于HOG特征与SVM的行人检测 | 第46-53页 |
| 4.4.1 HOG特征提取 | 第47-51页 |
| 4.4.2 进行SVM训练 | 第51-53页 |
| 4.5 分级行人检测算法检测过程的研究 | 第53-56页 |
| 4.6 实验结果分析 | 第56-59页 |
| 4.7 本章小结 | 第59-60页 |
| 第五章 算法性能评价 | 第60-66页 |
| 5.1 软件运行环境 | 第60页 |
| 5.2 硬件运行环境系统 | 第60-61页 |
| 5.3 算法评估方法 | 第61-62页 |
| 5.4 算法评估结果 | 第62-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66页 |
| 6.2 展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻硕期间取得的研究成果 | 第73-74页 |