| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外现状 | 第11-17页 |
| 1.2.1 行人检测现状 | 第11-16页 |
| 1.2.2 行人跟踪现状 | 第16-17页 |
| 1.3 论文章节安排 | 第17-19页 |
| 第二章 行人检测特征提取与分析 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 HOG特征 | 第19-22页 |
| 2.2.1 HOG简介 | 第19-20页 |
| 2.2.2 HOG特征的提取方法 | 第20-21页 |
| 2.2.3 基于HOG特征的行人检测 | 第21-22页 |
| 2.3 LBP特征 | 第22-24页 |
| 2.3.1 LBP特征简介 | 第22-23页 |
| 2.3.2 LBP特征提取的求取方法 | 第23-24页 |
| 2.3.3 基于LBP特征的行人检测 | 第24页 |
| 2.4 Haar-like特征 | 第24-27页 |
| 2.4.1 Haar-like特征简介 | 第24-25页 |
| 2.4.2 Haar-like特征的提取方法 | 第25-26页 |
| 2.4.3 拓展的Haar-like特征 | 第26-27页 |
| 2.4.4 基于Haar-like特征的行人检测 | 第27页 |
| 2.5 行人特征描述子的性能分析 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于SVM的行人检测算法研究与性能分析 | 第29-44页 |
| 3.1 引言 | 第29页 |
| 3.2 LUV颜色空间与特征融合 | 第29-30页 |
| 3.2.1 LUV颜色空间 | 第29-30页 |
| 3.2.2 特征融合 | 第30页 |
| 3.3 PCA降维 | 第30-33页 |
| 3.3.1 降维的目的 | 第30-31页 |
| 3.3.2 PCA降维 | 第31-33页 |
| 3.4 基于SVM的行人检测 | 第33-39页 |
| 3.4.1 SVM算法简介 | 第33-38页 |
| 3.4.2 多尺度滑动窗口检测 | 第38-39页 |
| 3.5 检测结果与性能分析 | 第39-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 背景分析及视频图像预处理 | 第44-56页 |
| 4.1 引言 | 第44页 |
| 4.2 动目标检测基本方法 | 第44-49页 |
| 4.2.1 帧间差分法 | 第44-46页 |
| 4.2.2 光流场法 | 第46-47页 |
| 4.2.3 背景减除法 | 第47-49页 |
| 4.3 背景减除法中的一些常见问题及解决方法 | 第49-50页 |
| 4.3.1 光照条件的变化 | 第49页 |
| 4.3.2 目标的遮挡和混淆 | 第49页 |
| 4.3.3 目标静止或者运动速度过慢 | 第49-50页 |
| 4.3.4 目标阴影 | 第50页 |
| 4.4 图像预处理主要方法 | 第50-51页 |
| 4.4.1 高斯模糊 | 第50-51页 |
| 4.4.2 图像二值化 | 第51页 |
| 4.4.3 图像的膨胀与腐蚀 | 第51页 |
| 4.5 相互遮挡行人的模型构建 | 第51-54页 |
| 4.6 本章小结 | 第54-56页 |
| 第五章 基于Online Boosting的粒子滤波行人跟踪算法研究 | 第56-71页 |
| 5.1 引言 | 第56页 |
| 5.2 粒子滤波算法简介 | 第56-61页 |
| 5.2.1 动态空间模型与贝叶斯估计理论 | 第56-58页 |
| 5.2.2 蒙特卡洛方法 | 第58页 |
| 5.2.3 序贯重要性采样算法 | 第58-59页 |
| 5.2.4 重采样方法 | 第59-60页 |
| 5.2.5 粒子滤波 | 第60-61页 |
| 5.3 弱分类器的构建 | 第61-62页 |
| 5.4 Online Boosting算法 | 第62-64页 |
| 5.5 改进的粒子模型 | 第64-66页 |
| 5.6 跟踪结果 | 第66-70页 |
| 5.7 本章小结 | 第70-71页 |
| 第六章 全文总结与展望 | 第71-73页 |
| 6.1 本文工作总结 | 第71页 |
| 6.2 未来工作展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |