| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.2 课题研究现状与分析 | 第9-13页 |
| 1.2.1 行人检测算法的研究现状 | 第9-12页 |
| 1.2.2 采用GPU实现行人检测算法研究现状 | 第12-13页 |
| 1.3 GPU编程中的难点 | 第13页 |
| 1.4 本文的主要研究内容 | 第13-14页 |
| 第2章 基于CENTRIST特征的行人检测算法原理 | 第14-21页 |
| 2.1 引言 | 第14页 |
| 2.2 CENTRIST特征 | 第14-17页 |
| 2.2.1 CENTRIST特征提取的原理 | 第14-15页 |
| 2.2.2 CENTRIST特征提取的流程 | 第15-17页 |
| 2.3 级联分类器 | 第17-19页 |
| 2.3.1 级联分类器的训练 | 第17页 |
| 2.3.2 使用级联分类器对行人进行检测 | 第17-18页 |
| 2.3.3 使用线性SVM实现快速检测的方法 | 第18-19页 |
| 2.4 基于CENTRIST特征的行人检测与HOG的对比 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 基于CENTRIST特征行人检测算法并行实现 | 第21-48页 |
| 3.1 引言 | 第21页 |
| 3.2 CUDA并行计算架构 | 第21-23页 |
| 3.2.1 CUDA编程模型 | 第21-22页 |
| 3.2.2 CUDA储存器模型 | 第22-23页 |
| 3.3 行人检测算法并行实现的整体框架 | 第23-24页 |
| 3.4 CENTRIST特征提取的并行实现 | 第24-32页 |
| 3.4.1 图像缩放算法的并行实现 | 第24-27页 |
| 3.4.2 Sobel边缘检测算法的并行实现 | 第27-30页 |
| 3.4.3 并行构建CT图像 | 第30-32页 |
| 3.4.4 CENTRIST特征并行提取的实验验证 | 第32页 |
| 3.5 级联分类器检测行人的并行实现 | 第32-46页 |
| 3.5.1 线性SVM检测行人的并行实现 | 第32-39页 |
| 3.5.2 HIK SVM检测行人的并行实现 | 第39-46页 |
| 3.6 级联分类器检测行人的结果后处理 | 第46页 |
| 3.7 本章小结 | 第46-48页 |
| 第4章 行人检测算法并行实现的实验结果 | 第48-55页 |
| 4.1 引言 | 第48页 |
| 4.2 实验环境 | 第48页 |
| 4.3 本文算法使用的行人数据集 | 第48-49页 |
| 4.4 实验结果 | 第49-53页 |
| 4.4.1 本文算法在不同场景下的检测效果 | 第49-50页 |
| 4.4.2 本文算法与VeryFast算法的检测速度对比 | 第50-51页 |
| 4.4.3 本文算法与串行算法的对比 | 第51-53页 |
| 4.5 结果分析 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-62页 |
| 致谢 | 第62页 |
