| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 行人检测技术的研究与发展现状 | 第11-13页 |
| 1.2.1 行人检测技术研究现状 | 第11-12页 |
| 1.2.2 目标跟踪技术研究现状 | 第12-13页 |
| 1.3 本文的内容和结构安排 | 第13-16页 |
| 第2章 行人检测相关技术及平台介绍 | 第16-28页 |
| 2.1 行人检测相关技术 | 第16-19页 |
| 2.1.1 行人检测技术 | 第16-17页 |
| 2.1.2 目标跟踪技术 | 第17-19页 |
| 2.2 NVIDIA Jetson Pro汽车开发平台 | 第19-22页 |
| 2.2.1 NVIDIA Jetson Pro介绍 | 第19-20页 |
| 2.2.2 NVIDIA Tegra K1介绍 | 第20-22页 |
| 2.3 CUDA并行计算架构 | 第22-27页 |
| 2.3.1 CUDA简介 | 第22-23页 |
| 2.3.2 CUDA编程模型 | 第23-25页 |
| 2.3.3 CUDA硬件架构 | 第25-27页 |
| 2.4 本章小节 | 第27-28页 |
| 第3章 行人检测算法研究 | 第28-46页 |
| 3.1 基于Haar-like特征和AdaBoost的行人检测算法 | 第28-37页 |
| 3.1.1 Haar-like特征和积分图 | 第28-31页 |
| 3.1.2 AdaBoost级联分类器 | 第31-37页 |
| 3.2 基于光流法的目标跟踪算法 | 第37-44页 |
| 3.2.1 光流法 | 第37-42页 |
| 3.2.2 基于金字塔的光流算法 | 第42-44页 |
| 3.3 本章小节 | 第44-46页 |
| 第4章 基于CUDA行人检测算法的并行实现 | 第46-70页 |
| 4.1 任务划分 | 第46-51页 |
| 4.1.1 CUDA平台算法设计思想 | 第46-48页 |
| 4.1.2 算法分析与任务划分 | 第48-51页 |
| 4.2 并行积分图计算 | 第51-56页 |
| 4.2.1 并行积分图计算 | 第51-55页 |
| 4.2.2 并行旋转45度积分图计算 | 第55-56页 |
| 4.3 并行AdaBoost级联分类器 | 第56-59页 |
| 4.3.1 并行实现 | 第57-59页 |
| 4.3.2 性能对比 | 第59页 |
| 4.4 并行金字塔光流计算 | 第59-63页 |
| 4.4.1 并行实现 | 第59-63页 |
| 4.4.2 性能对比 | 第63页 |
| 4.5 CUDA程序优化 | 第63-66页 |
| 4.5.1 CUDA优化策略 | 第63-64页 |
| 4.5.2 程序优化 | 第64-66页 |
| 4.6 结果与评估 | 第66-68页 |
| 4.7 本章小节 | 第68-70页 |
| 第5章 总结与展望 | 第70-72页 |
| 5.1 工作总结 | 第70-71页 |
| 5.2 研究展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76页 |
