| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-22页 |
| 1.1 课题研究的背景与意义 | 第13-14页 |
| 1.1.1 智能视频监控的背景和意义 | 第13-14页 |
| 1.1.2 智能视频监控的发展趋势 | 第14页 |
| 1.2 行人检测技术的意义与发展 | 第14-19页 |
| 1.2.1 基于前景分割的行人检测技术 | 第15-16页 |
| 1.2.2 前景分割技术的发展与分类 | 第16-18页 |
| 1.2.3 基于特征的行人检测技术 | 第18-19页 |
| 1.3 行人检测设备的研究现状 | 第19-20页 |
| 1.4 本文的主要研究点以及结构安排 | 第20-22页 |
| 第2章 基于前景分割算法的行人检测 | 第22-43页 |
| 2.1 引言 | 第22页 |
| 2.2 相关研究 | 第22-27页 |
| 2.2.1 帧差法 | 第23-24页 |
| 2.2.2 背景减除法 | 第24页 |
| 2.2.3 光流法 | 第24-25页 |
| 2.2.4 基于像素的VIBE算法 | 第25-26页 |
| 2.2.5 前景分割中的挑战 | 第26-27页 |
| 2.3 本文算法(MCE) | 第27-33页 |
| 2.3.1 超像素过程 | 第28-30页 |
| 2.3.2 运动轮廓检测 | 第30-31页 |
| 2.3.3 获取运动区域 | 第31-32页 |
| 2.3.4 自适应阈值计算 | 第32-33页 |
| 2.3.5 光斑问题 | 第33页 |
| 2.4 本章算法实现 | 第33-34页 |
| 2.4.1 超像素算法模块 | 第33-34页 |
| 2.4.2 大津率otsu算法模块 | 第34页 |
| 2.4.3 光斑去除模块 | 第34页 |
| 2.5 实验及结果分析 | 第34-42页 |
| 2.5.1 定性分析 | 第35-37页 |
| 2.5.2 定量分析 | 第37-42页 |
| 2.6 本章小结 | 第42-43页 |
| 第3章 基于特征分类器的行人检测 | 第43-58页 |
| 3.1 引言 | 第43页 |
| 3.2 行人检测特征描述子简介 | 第43-51页 |
| 3.2.1 哈尔特征(Haar) | 第44-46页 |
| 3.2.2 梯度方向直方图特征(HOG) | 第46-48页 |
| 3.2.3 局部二值模式特征(LBP) | 第48-51页 |
| 3.3 Centrist行人检测算法 | 第51-57页 |
| 3.3.1 统计转化直方图特征(Centrist) | 第51-53页 |
| 3.3.2 算子优点 | 第53-54页 |
| 3.3.3 检测技术分析(Centrist) | 第54-56页 |
| 3.3.4 基于Centrist特征的行人检测实验结果 | 第56-57页 |
| 3.4 本章小结 | 第57-58页 |
| 第4章 基于DM8168嵌入式平台的行人检测设备实现 | 第58-80页 |
| 4.1 引言 | 第58-59页 |
| 4.2 DM8168平台介绍 | 第59-64页 |
| 4.2.1 芯片介绍 | 第59-60页 |
| 4.2.2 接口与协处理芯片介绍 | 第60-62页 |
| 4.2.3 软件开发环境 | 第62-64页 |
| 4.3 行人检测软件的设计与实现 | 第64-68页 |
| 4.3.1 软件设计 | 第64-65页 |
| 4.3.2 行人检测模块设计 | 第65-66页 |
| 4.3.3 核间通信设计 | 第66-68页 |
| 4.4 主颜色提取算法的研究与实现 | 第68-74页 |
| 4.4.1 传统的K-means聚类算法 | 第69-71页 |
| 4.4.2 基于颜色聚类——分裂式层次聚类算法 | 第71-72页 |
| 4.4.3 主颜色提取模块设计 | 第72-73页 |
| 4.4.4 主颜色提取实验结果 | 第73-74页 |
| 4.5 算法优化 | 第74-77页 |
| 4.6 嵌入式平台实验结果 | 第77-79页 |
| 4.6.1 系统界面与操作 | 第77-78页 |
| 4.6.2 检测效果与信息反馈 | 第78页 |
| 4.6.3 检测性能与优化分析 | 第78-79页 |
| 4.7 本章小结 | 第79-80页 |
| 第5章 总结与展望 | 第80-82页 |
| 5.1 本文总结 | 第80-81页 |
| 5.2 后续工作 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-87页 |
| 攻读硕士学位期间已发表或录用的论文 | 第87页 |
