| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景和意义 | 第7-9页 |
| ·国内外发展现状 | 第9-10页 |
| ·论文主要内容安排 | 第10-13页 |
| 第二章 运动目标区域提取 | 第13-27页 |
| ·图像前期处理 | 第13-18页 |
| ·图像的获取 | 第13-14页 |
| ·图像灰度化 | 第14-15页 |
| ·图像去噪 | 第15-16页 |
| ·图像增强 | 第16-17页 |
| ·二值化 | 第17页 |
| ·形态学中的基本运算 | 第17-18页 |
| ·运动区域提取方法 | 第18-25页 |
| ·自适应阈值求法 | 第18-19页 |
| ·帧间差分法 | 第19-21页 |
| ·背景差分法 | 第21-22页 |
| ·光流法 | 第22-24页 |
| ·背景差分法与帧间差分法两者结合的运动区域提取 | 第24-25页 |
| ·本章小结 | 第25-27页 |
| 第三章 行人检测基本技术 | 第27-53页 |
| ·行人检测中的基本特征及相关理论 | 第27-32页 |
| ·Haar 特征 | 第27-28页 |
| ·积分图 | 第28-30页 |
| ·Edgelet 特征 | 第30-31页 |
| ·SIFT 特征 | 第31-32页 |
| ·HOG 特征 | 第32-39页 |
| ·HOG 特征基本原理 | 第33页 |
| ·标准化 gamma 空间和颜色空间 | 第33-34页 |
| ·梯度的计算 | 第34-35页 |
| ·空间以及方向上的梯度统计 | 第35-38页 |
| ·块内梯度直方图的归一化 | 第38-39页 |
| ·最终 HOG 特征的形成 | 第39页 |
| ·机器学习算法 | 第39-46页 |
| ·神经网络方法 | 第40-42页 |
| ·Adaboost 方法 | 第42-46页 |
| ·SVM 方法 | 第46-52页 |
| ·支持向量机基本知识 | 第46-47页 |
| ·SVM 原理 | 第47-51页 |
| ·核函数 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第四章 基于目标运动信息和 HOG 特征的行人检测以及实验仿真结果和分析 | 第53-65页 |
| ·引言 | 第53-54页 |
| ·基于目标运动信息和 HOG 特征的行人检测 | 第54-57页 |
| ·训练部分 | 第54-55页 |
| ·检测部分 | 第55-57页 |
| ·实验结果和分析 | 第57-63页 |
| ·运动区域提取部分实验 | 第58-60页 |
| ·检测部分实验 | 第60-63页 |
| ·本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-73页 |