| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 行人检测技术国内外研究现状及技术现状 | 第11-13页 |
| 1.2.1 行人检测国内外研究现状 | 第11-12页 |
| 1.2.2 行人检测技术现状 | 第12-13页 |
| 1.3 行人检测存在的问题 | 第13页 |
| 1.4 研究内容及本文的创新点 | 第13-14页 |
| 1.5 本文的章节安排 | 第14-15页 |
| 第2章 行人检测相关技术 | 第15-26页 |
| 2.1 感兴趣区域提取 | 第15-19页 |
| 2.1.1 基于区域生长法 | 第15-16页 |
| 2.1.2 基于运动信息法 | 第16-19页 |
| 2.2 行人的特征 | 第19-23页 |
| 2.3 行人的分类器 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 感兴趣区域提取及行人特征提取 | 第26-37页 |
| 3.1 基于相机原理与边缘检测提取感兴趣区域方法 | 第26-32页 |
| 3.1.1 Canny算子边缘检测 | 第26-28页 |
| 3.1.2 相机成像原理 | 第28-30页 |
| 3.1.3 结合相机原理与边缘检测原理快速提取感兴趣区域 | 第30页 |
| 3.1.4 待检测区域结果对比 | 第30-32页 |
| 3.2 行人HOG特征与LBP特征的提取 | 第32-36页 |
| 3.2.1 HOG的提取步骤 | 第32-34页 |
| 3.2.2 LBP的提取步骤 | 第34-35页 |
| 3.2.3 HOG-LBP的结合 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第章 分类器的分分及其参数的优化4 | 第37-49页 |
| 4.1 SVM分类器 | 第37-41页 |
| 4.1.1 SVM的分类原理 | 第37-41页 |
| 4.2 人工群峰算法 | 第41-43页 |
| 4.2.1 人工蜂群算法的介绍及原理 | 第41-42页 |
| 4.2.2 人工蜂群算法流程 | 第42-43页 |
| 4.3 基于人工蜂群算法的SVM参数优化 | 第43页 |
| 4.4 改进的人工蜂群算法的SVM参数优化 | 第43-46页 |
| 4.4.1 混沌思想 | 第44页 |
| 4.4.2 混沌人工蜂群算法的SVM参数优化 | 第44-46页 |
| 4.5 参数优化前后检测结果的对比 | 第46-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第章 仿真仿仿及结果5 | 第49-53页 |
| 5.1 实验仿仿简介 | 第49页 |
| 5.2 实验结果与分析 | 第49-52页 |
| 5.2.1 对INRIAPerson数据的检测结果 | 第49-50页 |
| 5.2.2 车载视频帧的行人检测结果对比 | 第50-52页 |
| 5.2.3 车载视频连续帧的行人检测结果 | 第52页 |
| 5.3 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参参文献 | 第55-57页 |
| 致谢 | 第57-58页 |
| 攻攻硕士期间发表（含录用）的学术论文 | 第58页 |