面向行人检测的动态视觉词提取与集成分类方法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第1章 引言 | 第13-31页 |
| ·研究背景 | 第13-15页 |
| ·行人检测研究现状 | 第15-26页 |
| ·用于行人检测的传感器 | 第15-17页 |
| ·行人检测系统的一般框架 | 第17-20页 |
| ·行人检测性能评价标准 | 第20-23页 |
| ·变化场景下行人检测的技术挑战 | 第23-26页 |
| ·本文工作与创新点 | 第26-28页 |
| ·本文工作主要内容 | 第26页 |
| ·本文工作主要创新 | 第26-28页 |
| ·本文结构与内容安排 | 第28-31页 |
| ·本文总体结结构 | 第28-29页 |
| ·本文内容安排 | 第29-31页 |
| 第2章 基于分类的行人检测技术分析 | 第31-47页 |
| ·特征提取方法 | 第31-39页 |
| ·分类器设计 | 第39-46页 |
| ·单分类器 | 第39-43页 |
| ·集成分类器 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 第3章 面向行人检测的选择性集成分类方法研究 | 第47-65页 |
| ·引入动机 | 第47-48页 |
| ·相关工作 | 第48-49页 |
| ·演化生成的选择性集成策略 | 第49-61页 |
| ·总体框架 | 第49-51页 |
| ·多种路况下训练的子分类集成 | 第51-54页 |
| ·选择性集成的接口与基本方法 | 第54-57页 |
| ·基于病毒进化遗传算法的选择性集成 | 第57-61页 |
| ·实验结果与分析 | 第61-63页 |
| ·数据集和参数设置 | 第61-62页 |
| ·实验结果和分析 | 第62-63页 |
| ·本章小结 | 第63-65页 |
| 第4章 面向行人检测的关键特征集提取方法研究 | 第65-87页 |
| ·引入动机 | 第65-66页 |
| ·相关工作 | 第66-68页 |
| ·基于视觉词的行人关键特征提取方法 | 第68-77页 |
| ·总体框架 | 第68-69页 |
| ·行人视觉词的生成 | 第69-72页 |
| ·视觉词的流形学习建模 | 第72-74页 |
| ·基于中心度量的关键词选择算法 | 第74-77页 |
| ·实验结果与分析 | 第77-85页 |
| ·动作识别中的验证 | 第77-82页 |
| ·行人检测中的验证 | 第82-85页 |
| ·本章小结 | 第85-87页 |
| 第5章 面向行人检测的动态特征集检测机制研究 | 第87-103页 |
| ·引入动机 | 第87-88页 |
| ·相关工作 | 第88-89页 |
| ·基于视觉词的动态特征集检测机制 | 第89-96页 |
| ·总体框架 | 第89-91页 |
| ·基于置信度向量的分类器 | 第91-93页 |
| ·动态特征集的调整规则 | 第93-95页 |
| ·由粗到精的快速分类方法 | 第95-96页 |
| ·实验结果与分析 | 第96-101页 |
| ·公开数据集测试 | 第96-98页 |
| ·实拍视频测试 | 第98-101页 |
| ·本章小结 | 第101-103页 |
| 第6章 结束语 | 第103-107页 |
| ·本文工作总结 | 第103-105页 |
| ·未来研究展望 | 第105-107页 |
| 参考文献 | 第107-113页 |
| 图索引 | 第113-115页 |
| 表索引 | 第115-117页 |
| 致谢 | 第117-119页 |
| 在读期间发表的学术论文与取得的研究成果 | 第119页 |
