| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 课题研究的背景及意义 | 第11-12页 |
| 1.2 国内外行人识别研究现状 | 第12-18页 |
| 1.2.1 汽车主动防碰撞安全系统及行人识别概述 | 第12-13页 |
| 1.2.2 国外行人识别研究现状 | 第13-16页 |
| 1.2.3 国内行人识别研究现状 | 第16-18页 |
| 1.3 行人识别研究存在的主要问题 | 第18-20页 |
| 1.4 论文主要内容以及章节结构安排 | 第20-23页 |
| 第2章 候选行人目标的检测搜索 | 第23-45页 |
| 2.1 车辆前方道路图像的采集 | 第23-24页 |
| 2.2 车辆前方道路图像的预处理 | 第24-36页 |
| 2.2.1 车辆前方道路图像的灰度处理 | 第24-25页 |
| 2.2.2 车辆前方道路图像的滤波 | 第25-30页 |
| 2.2.3 虚拟道路区域的分割 | 第30-32页 |
| 2.2.4 虚拟道路区域内行人目标的边缘检测 | 第32-36页 |
| 2.3 行人目标的边界位置确定 | 第36-42页 |
| 2.3.1 确定行人目标轮廓的对称轴线 | 第37-38页 |
| 2.3.2 确定行人目标轮廓的左右边界 | 第38-40页 |
| 2.3.3 确定行人目标轮廓的上下边界 | 第40-42页 |
| 2.4 行人目标区域的分割 | 第42-43页 |
| 2.5 本章小结 | 第43-45页 |
| 第3章 行人目标的识别分类及行人目标跟踪 | 第45-69页 |
| 3.1 行人特征提取 | 第45-53页 |
| 3.1.1 方向梯度直方图(HOG)特征 | 第46-47页 |
| 3.1.2 局部二值模式特征 | 第47-48页 |
| 3.1.3 基于梯度的LBP特征 | 第48-53页 |
| 3.2 行人分类器的训练 | 第53-61页 |
| 3.2.1 训练样本获取 | 第53-56页 |
| 3.2.2 行人分类器(支持向量机)分类原理 | 第56-59页 |
| 3.2.3 行人分类器的训练 | 第59-61页 |
| 3.3 行人目标的识别分类 | 第61-63页 |
| 3.3.1 行人识别分类器的分类性能测试 | 第62-63页 |
| 3.3.2 行人目标的实时识别分类 | 第63页 |
| 3.4 基于卡尔曼滤波的行人目标跟踪 | 第63-66页 |
| 3.4.1 Kalman滤波原理 | 第63-64页 |
| 3.4.2 行人目标跟踪 | 第64-66页 |
| 3.5 本章小结 | 第66-69页 |
| 第4章 行人识别实验 | 第69-83页 |
| 4.1 最佳行人识别分类器的确定 | 第69-74页 |
| 4.1.1 ROC分类算法评价曲线介绍 | 第70-71页 |
| 4.1.2 确定最佳的行人特征提取方式 | 第71-73页 |
| 4.1.3 确定最佳的SVM核函数 | 第73-74页 |
| 4.2 基于PC (matlab)的行人识别实车试验 | 第74-78页 |
| 4.2.1 摄像头的安装及相应参数 | 第75-76页 |
| 4.2.2 图像采集及图像处理MATLAB工具箱 | 第76页 |
| 4.2.3 基于PC (matlab)的行人识别实验及实验结果分析 | 第76-78页 |
| 4.3 基于DSP嵌入式控制器的行人识别实验 | 第78-82页 |
| 4.3.1 基于DSP的嵌入式系统硬件平台介绍 | 第78-79页 |
| 4.3.2 基于DSP的嵌入式控制器软件开发环境(CCS)介绍 | 第79-80页 |
| 4.3.3 基于DSP嵌入式控制器的行人识别实车实验 | 第80-82页 |
| 4.4 本章小结 | 第82-83页 |
| 第5章 总结与展望 | 第83-85页 |
| 5.1 全文总结 | 第83-84页 |
| 5.2 存在的不足及展望 | 第84-85页 |
| 参考文献 | 第85-90页 |
| 致谢 | 第90页 |
