| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第17-35页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 复杂场景下目标检测的难点 | 第18-20页 |
| 1.3 当前研究现状 | 第20-29页 |
| 1.3.1 模板匹配 | 第21-23页 |
| 1.3.2 部件模型 | 第23-25页 |
| 1.3.3 隐式形状模型（ISM） | 第25-26页 |
| 1.3.4 基于Boosting算法的目标检测 | 第26-28页 |
| 1.3.5 基于卷积神经网络的目标检测 | 第28-29页 |
| 1.4 本文研究内容及创新点 | 第29-32页 |
| 1.4.1 研究内容 | 第30-31页 |
| 1.4.2 创新点 | 第31-32页 |
| 1.5 本文的基本组织结构 | 第32-35页 |
| 第二章 随机森林算法研究及其在人脸检测中的应用 | 第35-56页 |
| 2.1 随机森林概述 | 第35-41页 |
| 2.1.1 集成学习-Bagging算法 | 第36-37页 |
| 2.1.2 决策树 | 第37-39页 |
| 2.1.3 随机森林生成和执行 | 第39-41页 |
| 2.2 基于Boosting算法的随机森林 | 第41-47页 |
| 2.2.1 集成学习-Boosting算法及其重要实现 | 第41-43页 |
| 2.2.2 基于Gradient Boosting算法的随机森林及其生成过程 | 第43-47页 |
| 2.3 利用GBRF构建目标检测系统 | 第47-49页 |
| 2.3.1 基于GBRF和滑动窗口的目标检测模型 | 第47-48页 |
| 2.3.2 基于GBRF和霍夫投票的目标检测模型 | 第48-49页 |
| 2.4 一种基于GBRF的人脸检测方法 | 第49-53页 |
| 2.4.1 人脸检测模型 | 第49-51页 |
| 2.4.2 实验结果 | 第51-53页 |
| 2.5 存在问题及改进方向 | 第53-54页 |
| 2.6 本章小结 | 第54-56页 |
| 第三章 基于CNN特征和GBRF的目标检测方法 | 第56-76页 |
| 3.1 研究现状及问题形成 | 第56-59页 |
| 3.2 CNN特征 | 第59-63页 |
| 3.2.1 Alex Net卷积神经网络 | 第59-61页 |
| 3.2.2 基于CNN特征的局部图像块描述子 | 第61-63页 |
| 3.3 构建基于CNN局部图像块和GBRF的目标检测模型 | 第63-67页 |
| 3.3.1 基于CNN局部图像块的树节点分裂函数 | 第63-66页 |
| 3.3.2 基于CNN局部图像块的GBRF生成及检测执行过程 | 第66-67页 |
| 3.4 实验 | 第67-75页 |
| 3.4.1 数据集介绍和实验设置 | 第68-69页 |
| 3.4.2 实验结果 | 第69-73页 |
| 3.4.3 有效性验证 | 第73-74页 |
| 3.4.4 参数分析 | 第74-75页 |
| 3.5 本章小结 | 第75-76页 |
| 第四章 基于自适应局部模板和GBRF的快速行人检测方法 | 第76-96页 |
| 4.1 研究现状及问题形成 | 第76-79页 |
| 4.2 DOT特征介绍及其加速计算 | 第79-83页 |
| 4.2.1 主方向模板（DOT） | 第80-82页 |
| 4.2.2 基于SSE指令集的加速计算方法 | 第82-83页 |
| 4.3 基于自适应局部模板的行人检测模型 | 第83-89页 |
| 4.3.1 自适应局部DOT模板生成器 | 第83-84页 |
| 4.3.2 基于自适应局部DOT模板的节点分裂函数 | 第84-86页 |
| 4.3.3 基于局部DOT模板和GBRF的行人检测框架 | 第86-89页 |
| 4.4 实验 | 第89-95页 |
| 4.4.1 数据集介绍和实验设置 | 第89-91页 |
| 4.4.2 实验结果 | 第91-94页 |
| 4.4.3 参数分析 | 第94-95页 |
| 4.5 本章小结 | 第95-96页 |
| 第五章 基于加权霍夫投票的多视角车辆检测方法 | 第96-116页 |
| 5.1 研究现状及问题形成 | 第96-99页 |
| 5.2 基于霍夫投票的目标检测框架 | 第99-104页 |
| 5.2.1 基于GBRF的视觉单词训练方法 | 第100-102页 |
| 5.2.2 霍夫投票检测框架 | 第102-103页 |
| 5.2.3 存在的问题 | 第103-104页 |
| 5.3 加权霍夫投票及其在多视角车辆检测中的应用 | 第104-109页 |
| 5.3.1 一种紧致的视觉单词表达方法 | 第104-106页 |
| 5.3.2 加权霍夫投票检测框架 | 第106-108页 |
| 5.3.3 组合权重学习方法 | 第108-109页 |
| 5.4 实验 | 第109-115页 |
| 5.4.1 数据集介绍及实验设置 | 第110-111页 |
| 5.4.2 实验结果 | 第111-113页 |
| 5.4.3 参数分析 | 第113-115页 |
| 5.5 本章小结 | 第115-116页 |
| 第六章 总结和展望 | 第116-120页 |
| 6.1 本学位论文的主要工作 | 第116-117页 |
| 6.2 主要特色和创新点 | 第117-119页 |
| 6.3 工作展望 | 第119-120页 |
| 致谢 | 第120-121页 |
| 参考文献 | 第121-136页 |
| 攻博期间取得的研究成果 | 第136-138页 |
