| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 行人检测的研究现状 | 第11-14页 |
| 1.3 本文主要研究的内容及实现方法 | 第14-15页 |
| 1.3.1 本文主要应用的场景及研究的对象 | 第14-15页 |
| 1.3.2 本文解决思路 | 第15页 |
| 1.3.3 解决复杂环境下的行人检测的意义 | 第15页 |
| 1.4 本章小结 | 第15-17页 |
| 第二章 复杂环境的相关概念及行人检测基本方法 | 第17-31页 |
| 2.1 复杂环境的类型 | 第17-19页 |
| 2.1.1 受光照影响较大的复杂环境 | 第17页 |
| 2.1.2 背景多样性的复杂环境 | 第17-18页 |
| 2.1.3 前景遮挡的复杂环境 | 第18-19页 |
| 2.2 复杂环境对行人检测的影响 | 第19页 |
| 2.3 生产车间特定岗位的行人检测环境 | 第19-20页 |
| 2.4 行人检测的基本方法 | 第20-30页 |
| 2.4.1 基于形状模板匹配的行人检测方法 | 第20-21页 |
| 2.4.2 基于HOG+SVM行人检测的方法 | 第21-22页 |
| 2.4.3 基于ACF+ADABOOST行人检测方法 | 第22-26页 |
| 2.4.4 基于多特征融合的行人检测方法 | 第26-27页 |
| 2.4.5 基于可变部件模型(DPM)的行人检测方法 | 第27-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于HOG特征与LUV颜色特征融合 | 第31-43页 |
| 3.1 HOG特征提取 | 第31-33页 |
| 3.2 颜色空间转换 | 第33-36页 |
| 3.2.1 RGB色彩空间到LUV色彩空间转换 | 第34-35页 |
| 3.2.2 RGB色彩空间到HSV色彩空间转换 | 第35-36页 |
| 3.3 LUV颜色特征提取 | 第36-38页 |
| 3.4 基于HOG特征与LUV颜色特征的融合 | 第38-42页 |
| 3.4.1 HOG特征与LUV特征融合 | 第38-39页 |
| 3.4.2 归一化处理 | 第39页 |
| 3.4.3 PCA解析与特征降维 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于特征融合的DPM行人检测方法 | 第43-61页 |
| 4.1 样本集设计 | 第43-47页 |
| 4.1.1 常用行人检测数据集 | 第43-44页 |
| 4.1.2 样本采集与标记 | 第44-46页 |
| 4.1.3 训练样本预处理 | 第46-47页 |
| 4.2 可变部件模型基本原理 | 第47-50页 |
| 4.3 分类器设计 | 第50-56页 |
| 4.3.1 SVM分类器设计 | 第50-53页 |
| 4.3.2 基于隐藏变量SVM分类器设计 | 第53-55页 |
| 4.3.3 模型参数估计 | 第55-56页 |
| 4.4 模型训练及匹配过程 | 第56-60页 |
| 4.4.1 模型训练过程 | 第56-58页 |
| 4.4.2 模型匹配过程 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 实验测试与分析 | 第61-71页 |
| 5.1 基于特定复杂环境下行人检测实验结果 | 第61-66页 |
| 5.1.1 基于HOG+SVM行人检测结果 | 第61-62页 |
| 5.1.2 基于ACF+ADABOOST行人检测结果 | 第62-63页 |
| 5.1.3 基于传统DPM行人检测结果 | 第63-65页 |
| 5.1.4 本文的实验结果 | 第65-66页 |
| 5.2 本文实验分析 | 第66-69页 |
| 5.2.1 本文检测精确性分析 | 第66-67页 |
| 5.2.2 本文检测实时性分析 | 第67页 |
| 5.2.3 本文检测实例 | 第67-69页 |
| 5.3 本文检测方法的分析 | 第69-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-74页 |
| 6.1 本文总结 | 第71-72页 |
| 6.2 复杂环境下的行人检测未来展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士期间取得的成果 | 第79-80页 |
