| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·研究背景 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·国外研究现状 | 第12-13页 |
| ·国内研究现状 | 第13-14页 |
| ·行人检测和跟踪技术的难点 | 第14页 |
| ·本文的主要工作 | 第14-17页 |
| ·研究内容 | 第14-15页 |
| ·本文的组织结构 | 第15-17页 |
| 第2章 行人检测和跟踪算法分类 | 第17-25页 |
| ·行人检测算法分类 | 第17-21页 |
| ·基于视觉传感器的行人检测方法 | 第17-21页 |
| ·基于非视觉传感器的行人检测方法 | 第21页 |
| ·行人跟踪算法分类 | 第21-24页 |
| ·基于模型的跟踪 | 第21-22页 |
| ·基于区域的的跟踪 | 第22页 |
| ·基于活动轮廓的跟踪 | 第22-23页 |
| ·基于特征的跟踪 | 第23-24页 |
| ·基于运动分析的跟踪 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于AdaBoost的行人检测算法 | 第25-35页 |
| ·引言 | 第25页 |
| ·机器学习概述 | 第25-26页 |
| ·集成机器学习 | 第26-29页 |
| ·弱分类器 | 第26-27页 |
| ·弱分类器的集成 | 第27-29页 |
| ·AdaBoost算法研究 | 第29-30页 |
| ·HOG特征 | 第29-30页 |
| ·两类问题的AdaBoost算法流程 | 第30页 |
| ·基于AdaBoost的行人检测 | 第30-32页 |
| ·行人分割算法 | 第31页 |
| ·行人识别算法 | 第31-32页 |
| ·实验结果分析 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于Mean Shift行人跟踪算法的改进 | 第35-49页 |
| ·引言 | 第35页 |
| ·Mean Shift理论 | 第35-38页 |
| ·无参密度估计 | 第35-37页 |
| ·Mean Shift向量 | 第37-38页 |
| ·目标跟踪中的Mean Shift | 第38-42页 |
| ·目标模型的描述 | 第38-39页 |
| ·候选模型的描述 | 第39页 |
| ·相似性函数 | 第39-40页 |
| ·目标定位 | 第40-42页 |
| ·Mean Shift跟踪算法的优缺点 | 第42-43页 |
| ·改进的跟踪算法 | 第43-45页 |
| ·梯度方向直方图 | 第43-44页 |
| ·跟踪算法 | 第44-45页 |
| ·跟踪算法流程图 | 第45页 |
| ·实验结果与分析 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 第5章 基于卡尔曼滤波器的Mean Shift行人跟踪算法 | 第49-63页 |
| ·引言 | 第49页 |
| ·算法回顾与分析 | 第49-51页 |
| ·改进算法 | 第51-55页 |
| ·卡尔曼滤波器简介 | 第51页 |
| ·卡尔曼滤波器原理 | 第51-53页 |
| ·基于卡尔曼滤波器的Mean Shift行人跟踪算法 | 第53-55页 |
| ·实验结果与分析 | 第55-61页 |
| ·本章小结 | 第61-63页 |
| 第6章 结束语 | 第63-65页 |
| ·本文的工作 | 第63页 |
| ·进一步的工作 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71页 |
