| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景 | 第7页 |
| 1.2 国内外研究现状 | 第7-10页 |
| 1.2.1 行人检测的传统方法 | 第8-9页 |
| 1.2.2 基于图像特征的行人检测方法 | 第9-10页 |
| 1.3 研究重点和难点 | 第10-11页 |
| 1.4 本文所做的工作 | 第11页 |
| 1.5 论文结构 | 第11-12页 |
| 第二章 行人检测的传统方法 | 第12-18页 |
| 2.1 基于轮廓模型匹配的行人检测 | 第12-14页 |
| 2.1.1 距离变换 | 第12-13页 |
| 2.1.2 THE CHAMFER 检测系统 | 第13-14页 |
| 2.2 基于光流法的行人检测方法 | 第14-16页 |
| 2.3 基于模型的行人检测方法 | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 图像特征提取与统计学习 | 第18-45页 |
| 3.1 图像特征的选择和提取 | 第18-29页 |
| 3.1.1 SIFT（Scale Invariant Feature Transform）特征 | 第18-23页 |
| 3.1.2 Haar-like 特征 | 第23-26页 |
| 3.1.3 Shapelet 特征 | 第26-28页 |
| 3.1.4 HoG（梯度方向直方图）特征 | 第28-29页 |
| 3.2 统计机器学习算法 | 第29-43页 |
| 3.2.1 AdaBoost 算法 | 第29-32页 |
| 3.2.2 cascade 级联分类器 | 第32-35页 |
| 3.2.3 支撑向量机（SVM）算法 | 第35-43页 |
| 3.3 本章小结 | 第43-45页 |
| 第四章 基于梯度特征和级联分类的快速行人检测 | 第45-67页 |
| 4.1 引言 | 第45-46页 |
| 4.2 人体检测系统基本结构 | 第46-47页 |
| 4.3 HOG 梯度特征 | 第47-55页 |
| 4.3.1 基本的静态描述 | 第49-50页 |
| 4.3.2 图像Gamma/Colour 归一化 | 第50页 |
| 4.3.3 图像梯度的计算 | 第50页 |
| 4.3.4 block 内特征向量的计算与归一化 | 第50-54页 |
| 4.3.5 整个检测窗口内HOG 的计算 | 第54-55页 |
| 4.4 Cascade AdaBoost 分类器 | 第55-56页 |
| 4.5 机器学习过程 | 第56-58页 |
| 4.5.1 人体数据库的选择 | 第56-58页 |
| 4.5.2 机器的学习过程 | 第58页 |
| 4.6 测试过程 | 第58-61页 |
| 4.6.1 检测过程HOG 计算 | 第58-61页 |
| 4.7 实验结果及分析 | 第61-66页 |
| 4.8 本章小结 | 第66-67页 |
| 第五章 总结和展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 发表论文和参加科研情况说明 | 第73-74页 |
| 致谢 | 第74页 |