智能视频监控系统中基于头肩部的行人检测
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第15-27页 |
| 1.1 选题背景和意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 常用的行人检测方法 | 第17-22页 |
| 1.3.1 基于统计学习的方法 | 第18页 |
| 1.3.2 背景相减法 | 第18-19页 |
| 1.3.3 帧间差分法 | 第19-21页 |
| 1.3.4 光流法 | 第21-22页 |
| 1.4 行人检测存在的难点 | 第22-23页 |
| 1.5 本文的研究内容和创新点 | 第23-25页 |
| 1.6 本文的章节安排 | 第25-27页 |
| 第二章 行人头肩部融合特征的提取 | 第27-41页 |
| 2.1 引言 | 第27页 |
| 2.2 常用的图像特征类型简介 | 第27-31页 |
| 2.3 人体头肩部的融合特征 | 第31-40页 |
| 2.3.1 本文采用的HOG+HSV融合特征 | 第31-36页 |
| 2.3.2 融合特征的提取方法 | 第36-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第三章 基于融合特征和SVM的行人头肩部检测 | 第41-53页 |
| 3.1 引言 | 第41页 |
| 3.2 支持向量机分类器 | 第41-46页 |
| 3.3 基于融合特征的SVM分类器训练 | 第46-50页 |
| 3.3.1 行人头肩部公开数据集和评价标准 | 第47-49页 |
| 3.3.2 SVM分类器训练 | 第49-50页 |
| 3.4 行人头肩部检测实验 | 第50-52页 |
| 3.4.1 实验结果 | 第50-52页 |
| 3.4.2 实验分析 | 第52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 视频中基于头肩部的快速行人检测 | 第53-65页 |
| 4.1 引言 | 第53-54页 |
| 4.2 视频图像帧处理 | 第54-56页 |
| 4.2.1 图像去噪 | 第54-55页 |
| 4.2.2 背景建模与前景提取 | 第55-56页 |
| 4.3 确定待测窗口 | 第56-61页 |
| 4.3.1 传统的滑动窗口搜索法 | 第56-58页 |
| 4.3.2 本文的LW-PGD方法 | 第58-59页 |
| 4.3.3 实验和比较分析 | 第59-61页 |
| 4.4 快速行人检测 | 第61-63页 |
| 4.4.1 SVM检测 | 第61-62页 |
| 4.4.2 定位行人全身 | 第62-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第五章 总结及展望 | 第65-69页 |
| 5.1 本文的工作总结 | 第65-66页 |
| 5.2 展望 | 第66-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 攻读学位期间发表的学术论文 | 第75-77页 |
| 攻读硕士学位期间的科研项目 | 第77页 |
