移动场景动目标识别算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-15页 |
| ·研究背景 | 第8-9页 |
| ·国内外研究状况 | 第9-13页 |
| ·内容组织 | 第13-15页 |
| 2 基于人体几何特征的行人检测 | 第15-40页 |
| ·引言 | 第15-16页 |
| ·图像预处理 | 第16-23页 |
| ·彩色图像灰度化 | 第16-18页 |
| ·调整图像尺寸 | 第18-19页 |
| ·图像的噪声 | 第19-20页 |
| ·图像的平滑去噪 | 第20-22页 |
| ·感兴趣区域的确定 | 第22-23页 |
| ·垂直边沿检测 | 第23-26页 |
| ·基于矩不变的阈值分割 | 第26-29页 |
| ·分割前后图像的矩 | 第27页 |
| ·阈值分割 | 第27-29页 |
| ·左右边沿检测 | 第29-33页 |
| ·对称轴的获取 | 第30-32页 |
| ·基于对称轴的左右边沿获取 | 第32-33页 |
| ·下边沿检测 | 第33-34页 |
| ·上边沿检测 | 第34-39页 |
| ·边界矩特征 | 第34-38页 |
| ·特征匹配 | 第38-39页 |
| ·小结 | 第39-40页 |
| 3 基于支持向量机的行人检测 | 第40-67页 |
| ·引言 | 第40-41页 |
| ·机器学习与支持向量机理论 | 第41-52页 |
| ·机器学习理论概述 | 第41-42页 |
| ·统计学习理论 | 第42-44页 |
| ·支持向量机理论 | 第44-52页 |
| ·梯度方向直方图(HOG)特征 | 第52-58页 |
| ·定尺寸的HOG特征 | 第52-55页 |
| ·变尺寸的HOG特征 | 第55-56页 |
| ·HOG特征的积分图算法 | 第56-58页 |
| ·基于定尺寸HOG特征的支持向量机行人检测 | 第58-61页 |
| ·离线训练 | 第58-60页 |
| ·在线检测 | 第60-61页 |
| ·基于变尺寸HOG特征的支持向量机行人检测 | 第61-66页 |
| ·Fisher准则衡量特征块的区分能力 | 第61-63页 |
| ·基于Fisher准则特征选择的行人检测 | 第63-66页 |
| ·小结 | 第66-67页 |
| 4 基于级联结构分类器的行人检测 | 第67-85页 |
| ·引言 | 第67页 |
| ·Cacade级联结构 | 第67-71页 |
| ·级联结构的构成 | 第68-69页 |
| ·级联结构的有效性与适用条件 | 第69-70页 |
| ·级联结构的性能评价指标 | 第70-71页 |
| ·基于风险敏感SVM级联的行人检测 | 第71-76页 |
| ·风险敏感支持向量机 | 第71-72页 |
| ·基于Fisher准则预判断的特征选择机制 | 第72-74页 |
| ·基于风险敏感SVM级联的行人检测 | 第74-76页 |
| ·基于集成学习级联的行人检测 | 第76-84页 |
| ·集成学习理论 | 第76-77页 |
| ·弱分类器与强分类器 | 第77-78页 |
| ·集成学习方法 | 第78-82页 |
| ·基于Adaboost算法的行人检测 | 第82-84页 |
| ·小结 | 第84-85页 |
| 5 结论 | 第85-86页 |
| 参考文献 | 第86-90页 |
| 攻读硕士学位期间发表的论文 | 第90-91页 |
| 致谢 | 第91-93页 |
