基于单目视觉的车辆前方行人识别方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-29页 |
| ·引言 | 第11-13页 |
| ·基于视觉传感器的行人检测技术研究现状 | 第13-19页 |
| ·基于形状信息的方法 | 第13-15页 |
| ·基于运动特性的方法 | 第15-16页 |
| ·基于模型的方法 | 第16-17页 |
| ·基于小波变换和支持向量机的方法 | 第17-18页 |
| ·基于神经网络的方法 | 第18-19页 |
| ·基于非视觉传感器的行人检测技术研究现状 | 第19-23页 |
| ·红外成像传感器 | 第19-21页 |
| ·微波雷达 | 第21-22页 |
| ·激光测距传感器 | 第22页 |
| ·多种传感器信息融合 | 第22-23页 |
| ·国内行人检测技术研究现状 | 第23-26页 |
| ·论文的研究工作 | 第26-29页 |
| ·论文研究的目的和意义 | 第26页 |
| ·行人检测中存在的问题 | 第26-27页 |
| ·静态目标检测算法 | 第27-28页 |
| ·论文研究的主要内容 | 第28-29页 |
| 第2章 基于AdaBoost算法的行人分割 | 第29-59页 |
| ·引言 | 第29页 |
| ·AdaBoost算法基本原理及改进 | 第29-41页 |
| ·AdaBoost算法简介 | 第29-32页 |
| ·AdaBoost权重更新算法的该进 | 第32-41页 |
| ·全局归一法和类内归一法介绍及比较 | 第32-33页 |
| ·新的样本权重更新方法 | 第33-34页 |
| ·本文扩展的样本权重更新方法 | 第34页 |
| ·仿真分析 | 第34-39页 |
| ·阈值自适应的权重更新方法 | 第39-41页 |
| ·基于新特征的行人检测 | 第41-48页 |
| ·原始矩形特征 | 第41-43页 |
| ·样本特征的数量 | 第43-45页 |
| ·样本特征值的计算 | 第45-46页 |
| ·改进后的分类器的训练步骤 | 第46-48页 |
| ·行人初始候选区域的分割 | 第48-55页 |
| ·行人训练样本的获取 | 第48-49页 |
| ·级联分类器 | 第49-53页 |
| ·级连分类器介绍 | 第49-50页 |
| ·级连分类器分析 | 第50-52页 |
| ·级联分类器的训练 | 第52-53页 |
| ·行人候选区域的分割 | 第53-55页 |
| ·基于边缘特性的行人定位 | 第55-56页 |
| ·候选区域的边缘提取 | 第55页 |
| ·对称性测度与对称轴求取 | 第55页 |
| ·行人矩形区域的确定 | 第55-56页 |
| ·行人的初步验证 | 第56页 |
| ·分割试验分析 | 第56-58页 |
| ·小结 | 第58-59页 |
| 第3章 行人识别算法 | 第59-85页 |
| ·引言 | 第59页 |
| ·目前常用的行人识别方法 | 第59-63页 |
| ·基于运动的方法 | 第60页 |
| ·基于形状的方法 | 第60-63页 |
| ·基于明确人体模型的方法 | 第60-61页 |
| ·基于模板匹配的方法 | 第61页 |
| ·基于统计分类的方法 | 第61-63页 |
| ·支持向量机的基本理论 | 第63-68页 |
| ·统计学习理论 | 第63-64页 |
| ·最优分类面 | 第64-66页 |
| ·支持向量机 | 第66-68页 |
| ·行人的特征提取 | 第68-79页 |
| ·灰度图像的纹理特征计算 | 第69-72页 |
| ·行人形状特征的提取 | 第72-79页 |
| ·边缘提取算法的改进 | 第72-76页 |
| ·边界矩的计算 | 第76-78页 |
| ·梯度方向特征分析 | 第78-79页 |
| ·基于支持向量机的行人识别 | 第79-82页 |
| ·分类器训练的输入 | 第79-80页 |
| ·训练参数的选择 | 第80-82页 |
| ·行人的识别 | 第82-84页 |
| ·小结 | 第84-85页 |
| 第4章 行人检测算法的仿真实验与评价 | 第85-91页 |
| ·在线行人分割 | 第85-88页 |
| ·行人识别 | 第88-91页 |
| 第5章 结束语 | 第91-95页 |
| ·主要研究成果 | 第91-92页 |
| ·存在的不足及对后续工作的建议 | 第92-95页 |
| 参考文献 | 第95-105页 |
| 致谢 | 第105页 |
