| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 人体目标检测的国内外研究现状 | 第12-14页 |
| 1.2.1 基于全身特征的人体目标检测 | 第12-14页 |
| 1.2.2 基于Omega特征的人体目标检测 | 第14页 |
| 1.3 本文的主要贡献与创新 | 第14-15页 |
| 1.4 本论文的结构安排 | 第15-17页 |
| 第二章 基于分类的人体目标检测技术综述 | 第17-31页 |
| 2.1 基于分类的人体目标检测的算法框架 | 第17-18页 |
| 2.2 特征提取与分析技术 | 第18-27页 |
| 2.2.1 常用特征 | 第18-23页 |
| 2.2.2 距离测度学习与特征变换 | 第23-27页 |
| 2.3 分类算法 | 第27-29页 |
| 2.3.1 自适应增强分类器 | 第27-28页 |
| 2.3.2 支持向量机 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于HOG-ONMF的人体OMEGA形状特征检测 | 第31-45页 |
| 3.1 人体OMEGA形状特征概述 | 第31-33页 |
| 3.2 正交非负矩阵分解算法 | 第33-40页 |
| 3.2.1 非负矩阵分解算法概述 | 第34-37页 |
| 3.2.2 正交非负矩阵分解算法 | 第37-40页 |
| 3.3 基于HOG-ONMF框架的人体OMEGA形状特征提取 | 第40-44页 |
| 3.3.1 基于HOG-ONMF的人体Omega形状特征提取框架 | 第40-42页 |
| 3.3.2 实验结果 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 基于LMNN的距离测度学习理论 | 第45-56页 |
| 4.1 距离测度学习方法概述 | 第45-46页 |
| 4.2 大间隔近邻距离测度理论 | 第46-53页 |
| 4.2.1 算法模型分析 | 第47-48页 |
| 4.2.2 损失函数 | 第48-49页 |
| 4.2.3 构造标准半正定线性规划问题 | 第49-50页 |
| 4.2.4 LMNN算法的迭代求解 | 第50-53页 |
| 4.3 算法性能评估 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 基于人体OMEGA形状的人体目标检测算法设计与实现 | 第56-71页 |
| 5.1 基于人体OMEGA形状的人体目标检测算法设计框架 | 第56页 |
| 5.2 基于人体OMEGA形状的人体目标检测算法系统实现 | 第56-60页 |
| 5.2.1 训练算法设计与实现 | 第57-58页 |
| 5.2.2 检测算法设计与实现 | 第58-60页 |
| 5.3 基于人体OMEGA形状的人体目标检测算法性能评估 | 第60-67页 |
| 5.3.1 融合框算法 | 第60-61页 |
| 5.3.2 算法性能评估 | 第61-67页 |
| 5.4 基于OMEGA形状的人体目标检测实际系统应用 | 第67-69页 |
| 5.4.1 系统主要框架 | 第67-68页 |
| 5.4.2 检测结果滤波 | 第68-69页 |
| 5.4.3 系统实时性 | 第69页 |
| 5.5 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间取得的成果 | 第78-79页 |
