| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 引言 | 第10-11页 |
| 1.2 红外热成像技术 | 第11-12页 |
| 1.3 行人检测技术 | 第12页 |
| 1.4 国内外研究概况及发展趋势 | 第12-14页 |
| 1.5 论文主要的内容工作和章节安排 | 第14-16页 |
| 第二章 行人检测的基本原理和方法 | 第16-29页 |
| 2.1 行人检测的构成 | 第16页 |
| 2.2 红外图像去噪 | 第16-17页 |
| 2.3 红外图像的分割 | 第17-20页 |
| 2.3.1 基于边缘的分割 | 第17-19页 |
| 2.3.2 基于区域的分割 | 第19页 |
| 2.3.3 基于阈值的分割 | 第19-20页 |
| 2.4 红外图像特征提取 | 第20-25页 |
| 2.4.1 方向直方图特征 | 第20-23页 |
| 2.4.2 形体和惯性特征 | 第23-24页 |
| 2.4.3 尺度不变特征变换特征 | 第24-25页 |
| 2.5 目标识别 | 第25-27页 |
| 2.5.1 人工神经网络 | 第25页 |
| 2.5.2 ADABOOST | 第25-26页 |
| 2.5.3 支持向量机的学习方法 | 第26-27页 |
| 2.6 红外行人检测存在的问题和不足 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第三章 红外行人图像的自适应阈值分割 | 第29-35页 |
| 3.1 红外图像阈值分割方法 | 第29-31页 |
| 3.1.1 提取高亮区域 | 第29页 |
| 3.1.2 直方图聚类分析 | 第29-31页 |
| 3.1.2.1 类间最大方差算法 | 第30-31页 |
| 3.1.2.2 基于熵的红外图像分割 | 第31页 |
| 3.2 基于K均值聚类中心分析的阈值选取 | 第31-33页 |
| 3.3 图像分割效果对比实验结果及分析 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于方向梯度直方图特征的序列红外行人实时检测 | 第35-39页 |
| 4.1 直方图特征获取 | 第35-36页 |
| 4.2 基于向量机的人体检测机器训练实验结果与分析 | 第36-37页 |
| 4.3 人体检测实验结果 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 基于ARM的车载碰撞报警系统的实现 | 第39-59页 |
| 5.1 系统的设计方案 | 第39-40页 |
| 5.2 系统硬件开发 | 第40-50页 |
| 5.2.1 控制模块电路设计 | 第40-43页 |
| 5.2.1.1 ARM简介 | 第40页 |
| 5.2.1.2 ARM开发优势 | 第40-41页 |
| 5.2.1.3 ARM的器件选型 | 第41页 |
| 5.2.1.4 配置电路的设计 | 第41-43页 |
| 5.2.2 GPS模块的设计 | 第43-44页 |
| 5.2.3 惯导模块的设计 | 第44-45页 |
| 5.2.4 通讯模块的设计 | 第45-48页 |
| 5.2.5 电源配置 | 第48-50页 |
| 5.3 系统的软件开发 | 第50-57页 |
| 5.3.1 WINCE的下载和驱动程序的安装 | 第50页 |
| 5.3.2 数据的接收和处理 | 第50-57页 |
| 5.3.2.1 GPS数据格式及接收处理 | 第51-52页 |
| 5.3.2.2 惯导数据的格式及接收处理 | 第52-56页 |
| 5.3.2.3 MU509的数据格式及处理方法 | 第56-57页 |
| 5.4 系统的性能评估 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 结论和展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间的研究成果 | 第65-66页 |