基于多特征的行人快速检测方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 1.4 本论文的结构安排 | 第14-15页 |
| 第二章 行人检测相关技术 | 第15-24页 |
| 2.1 行人检测基本流程 | 第15页 |
| 2.2 行人特征描述 | 第15-19页 |
| 2.2.1 Haar-like特征 | 第16-17页 |
| 2.2.2 LBP特征 | 第17-18页 |
| 2.2.3 HOG特征 | 第18-19页 |
| 2.3 常用分类器介绍 | 第19-22页 |
| 2.3.1 支持向量机 | 第19-21页 |
| 2.3.2 Adaboost | 第21-22页 |
| 2.4 常用分类数据集介绍 | 第22-23页 |
| 2.4.1 INRIA数据集 | 第22-23页 |
| 2.4.2 Caltech行人数据集 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 多特征对比 | 第24-33页 |
| 3.1 BPG特征 | 第24-27页 |
| 3.1.1 BPG特征的由来 | 第24页 |
| 3.1.2 BPG计算过程 | 第24-27页 |
| 3.2 特征构成 | 第27-29页 |
| 3.2.1 特征融合 | 第27页 |
| 3.2.2 特征池 | 第27-29页 |
| 3.3 特征对比 | 第29-32页 |
| 3.3.1 单一特征对比 | 第30-31页 |
| 3.3.2 多特征对比 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 分类器构建与检测 | 第33-43页 |
| 4.1 Adaboost算法 | 第33-35页 |
| 4.1.1 Adaboost算法构建 | 第33-34页 |
| 4.1.2 强分类器的构成 | 第34-35页 |
| 4.2 级联分类器的构建 | 第35-36页 |
| 4.3 特征融合分析 | 第36-38页 |
| 4.4 行人快速检测 | 第38-42页 |
| 4.4.1 传统的行人检测方法 | 第38-39页 |
| 4.4.2 估计分类器 | 第39-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 实验 | 第43-49页 |
| 5.1 实验环境 | 第43页 |
| 5.2 合并窗口 | 第43-44页 |
| 5.3 对比实验 | 第44-46页 |
| 5.4 效果示例 | 第46-48页 |
| 5.5 本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-50页 |
| 6.1 主要结论 | 第49页 |
| 6.2 未来的工作 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 攻读硕士学位期间发表的学术论文 | 第55页 |
