视频图像中的行人检测算法研究与实现
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-24页 |
| ·研究背景 | 第10-11页 |
| ·研究现状 | 第11-21页 |
| ·基于视觉传感器的行人检测技术 | 第11-18页 |
| ·基于视觉的行人检测产品应用 | 第18-20页 |
| ·基于视觉的行人检测存在的难点 | 第20-21页 |
| ·本文研究内容 | 第21页 |
| ·本文组织结构 | 第21-24页 |
| 第2章 基础知识 | 第24-36页 |
| ·图像滤波 | 第24-27页 |
| ·邻域平均法 | 第24-25页 |
| ·中值滤波 | 第25-26页 |
| ·自适应维纳滤波 | 第26-27页 |
| ·图像的增强方法 | 第27-29页 |
| ·灰度变换法 | 第28页 |
| ·直方图均衡化 | 第28-29页 |
| ·边缘提取算子 | 第29-30页 |
| ·形态学运算处理 | 第30-31页 |
| ·摄像机成像原理 | 第31-36页 |
| 第3章 基于单目视觉的行人分割算法研究 | 第36-48页 |
| ·图像预处理 | 第36-38页 |
| ·垂直边缘提取 | 第38-39页 |
| ·行人候选区域的提取 | 第39-42页 |
| ·数学形态学膨胀运算 | 第39-40页 |
| ·去除干扰边缘 | 第40页 |
| ·边缘方形框的获取 | 第40-41页 |
| ·行人对称性图像的提取 | 第41-42页 |
| ·行人下底边的确定 | 第42页 |
| ·行人定位 | 第42-47页 |
| ·行人距离摄像机的距离 | 第43-46页 |
| ·行人分割实验结果及分析 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第4章 行人识别算法研究 | 第48-58页 |
| ·线性支持向量机 | 第48-49页 |
| ·行人的特征提取 | 第49-52页 |
| ·HOG特征 | 第50-51页 |
| ·Haar特征 | 第51-52页 |
| ·基于线性支持向量机的行人识别 | 第52-54页 |
| ·样本准备 | 第52-54页 |
| ·特征提取 | 第54页 |
| ·线性SVM离线训练 | 第54页 |
| ·SVM的在线识别 | 第54页 |
| ·实验结果与分析 | 第54-55页 |
| ·本章小结 | 第55-58页 |
| 第5章 基于单目视觉的行人检测算法实验 | 第58-62页 |
| ·算法运行环境 | 第58页 |
| ·软件运行环境 | 第58页 |
| ·硬件运行环境 | 第58页 |
| ·算法评估方法 | 第58-60页 |
| ·评估数据 | 第58-59页 |
| ·评估方法 | 第59-60页 |
| ·评估结果 | 第60-62页 |
| 第6章 总结与展望 | 第62-64页 |
| ·研究工作总结 | 第62页 |
| ·未来工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
