| 致谢 | 第1-5页 |
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-12页 |
| 1 引言 | 第12-25页 |
| ·研究背景 | 第12-14页 |
| ·行人检测与跟踪的关键技术 | 第14-23页 |
| ·国内外研究发展现状 | 第14-15页 |
| ·行人检测的相关技术 | 第15-19页 |
| ·目标跟踪的相关技术 | 第19-22页 |
| ·移动背景下的课题研究思路 | 第22-23页 |
| ·本文的主要贡献 | 第23-24页 |
| ·本文的章节安排 | 第24-25页 |
| 2 单帧图像的快速行人检测技术 | 第25-43页 |
| ·引言 | 第25-26页 |
| ·基于SVM+HOG的行人检测算法 | 第26-29页 |
| ·SVM分类原理 | 第26-27页 |
| ·HOG特征描述 | 第27-29页 |
| ·Adaboost的目标检测原理 | 第29-34页 |
| ·Adaboost分类原理 | 第29-31页 |
| ·Adaboost在目标检测中的应用 | 第31-34页 |
| ·基于Adaboost +Chn Ftrs的快速行人检测 | 第34-36页 |
| ·Chn Ftrs行人检测算法的改进 | 第36-39页 |
| ·Adaboost训练过程的优化 | 第39-42页 |
| ·本章总结 | 第42-43页 |
| 3 基本在线分类算法与目标特征模型 | 第43-63页 |
| ·引言 | 第43-45页 |
| ·聚类与Bo W算法 | 第45-47页 |
| ·基于颜色特征的在线目标分类模型 | 第47-53页 |
| ·常规颜色直方图模型 | 第47-48页 |
| ·超像素分割 | 第48-49页 |
| ·超像素特征提取 | 第49-51页 |
| ·基于Bo W算法的超像素建模 | 第51-52页 |
| ·确定映射置信图目标区域的方法 | 第52-53页 |
| ·贝叶斯分类算法 | 第53-54页 |
| ·基于结构特征的在线目标分类模型 | 第54-58页 |
| ·基于结构特征的在线分类算法 | 第54-55页 |
| ·基于多通道CT的在线目标分类模型 | 第55-58页 |
| ·模板匹配与最近邻分类器 | 第58-61页 |
| ·模板匹配 | 第58-60页 |
| ·最近邻分类器 | 第60-61页 |
| ·基于TLD算法的在线目标分类模型 | 第61-63页 |
| 4 基于Fern算法的在线目标分类模型 | 第63-81页 |
| ·引言 | 第63页 |
| ·决策树和随机森林 | 第63-66页 |
| ·决策树的分类原理 | 第63-65页 |
| ·随机森林及其应用 | 第65-66页 |
| ·基于Fern算法的在线目标分类模型 | 第66-73页 |
| ·基本的Fern分类模型 | 第66-68页 |
| ·基于Fern的超像素颜色特征分类 | 第68-71页 |
| ·基于Fern的空间结构特征分类 | 第71-73页 |
| ·各算法的跟踪性能评估 | 第73-80页 |
| ·本章总结 | 第80-81页 |
| 5 基于PSOPF滤波及多元特征观测的行人跟踪算法 | 第81-103页 |
| ·引言 | 第81-82页 |
| ·粒子滤波的理论描述 | 第82-86页 |
| ·目标跟踪的基本过程 | 第82-83页 |
| ·粒子滤波的基本原理 | 第83-86页 |
| ·基于粒子群优化的粒子滤波技术 | 第86-90页 |
| ·多元特征目标跟踪模型 | 第90-94页 |
| ·多元特征目标跟踪模型的性能测试 | 第94-98页 |
| ·复杂环境下的目标跟踪结果测试 | 第98-102页 |
| ·本章总结 | 第102-103页 |
| 6 总结与展望 | 第103-106页 |
| ·总结 | 第103-104页 |
| ·展望 | 第104-106页 |
| 参考文献 | 第106-112页 |
| 作者简介及在学期间发表的学术论文与研究成果 | 第112页 |