| 摘要 | 第1-13页 |
| ABSTRACT | 第13-16页 |
| 第一章 绪论 | 第16-32页 |
| ·研究背景 | 第16-19页 |
| ·物体检测技术应用需求与发展现状的矛盾 | 第16-18页 |
| ·聚类算法应用需求与发展现状的矛盾 | 第18-19页 |
| ·相关研究技术 | 第19-25页 |
| ·行人检测技术 | 第19-23页 |
| ·聚类算法 | 第23-25页 |
| ·论文的研究重点 | 第25-27页 |
| ·行人检测的难点 | 第25-26页 |
| ·半定松弛的聚类算法研究难点 | 第26页 |
| ·论文研究重点 | 第26-27页 |
| ·论文的主要内容和创新 | 第27-28页 |
| ·论文的结构 | 第28-32页 |
| 第二章 基于滑动窗口的行人检测技术 | 第32-48页 |
| ·基于滑动窗口的行人检测技术框架 | 第32-41页 |
| ·检测窗口的滑动策略 | 第32页 |
| ·特征提取 | 第32-35页 |
| ·分类器 | 第35-38页 |
| ·检测结果的融合 | 第38-41页 |
| ·常用的行人数据库、分类器训练方法以及检测结果的性能评价方法 | 第41-46页 |
| ·行人数据库 | 第41-43页 |
| ·分类器训练方法 | 第43-44页 |
| ·检测结果的性能评价方法 | 第44-46页 |
| ·本章小结 | 第46-48页 |
| 第三章 图像密集描述特征的提取 | 第48-70页 |
| ·典型的密集描述特征 | 第48-52页 |
| ·HOG 特征 | 第48-50页 |
| ·金字塔HOG 特征 | 第50-52页 |
| ·密集描述CS-LBP/LTP 特征 | 第52-61页 |
| ·CS-LBP 特征和CS-LTP 特征 | 第52-57页 |
| ·密集描述CS-LBP/LTP 特征的提取 | 第57-58页 |
| ·密集描述CS-LBP 特征的关键参数选择 | 第58-61页 |
| ·金字塔密集描述CS-LBP/LTP 特征 | 第61-64页 |
| ·金字塔密集描述CS-LBP 特征的提取 | 第61-63页 |
| ·金字塔密集描述CS-LBP 特征的参数确定 | 第63-64页 |
| ·密集描述特征的快速计算 | 第64-65页 |
| ·各种密集描述特征的比较 | 第65-68页 |
| ·特征描述能力比较 | 第65-67页 |
| ·特征提取速度比较 | 第67-68页 |
| ·结论 | 第68页 |
| ·本章小结 | 第68-70页 |
| 第四章 基于距离度量的非线性核支持向量机分类器 | 第70-98页 |
| ·SVM 理论简介 | 第70-76页 |
| ·最大间隔分类超平面 | 第71-73页 |
| ·软间隔优化 | 第73-74页 |
| ·核函数 | 第74-76页 |
| ·SVM 对特征进行分类的时间复杂度 | 第76页 |
| ·行人检测常用的SVM 分类器 | 第76-77页 |
| ·基于bin-to-bin 距离度量的非线性核SVM 分类器 | 第77-82页 |
| ·bin-to-bin 距离 | 第77-78页 |
| ·基于bin-to-bin 距离的SVM 核函数设计 | 第78-82页 |
| ·基于cross-bin 距离的非线性核SVM 分类器 | 第82-88页 |
| ·cross-bin 距离 | 第82-84页 |
| ·基于cross-bin 距离的SVM 核函数设计 | 第84-87页 |
| ·EMD 距离核SVM 在行人检测中的应用 | 第87-88页 |
| ·基于各种距离的非线性核SVM 分类器性能比较 | 第88-90页 |
| ·实验设定 | 第88页 |
| ·实验结果 | 第88-90页 |
| ·行人检测实验 | 第90-95页 |
| ·实验设定 | 第90-91页 |
| ·实验结果 | 第91-95页 |
| ·本章小结 | 第95-98页 |
| 第五章 基于特征组合的行人检测研究 | 第98-110页 |
| ·特征组合 | 第98-101页 |
| ·特征组合问题描述 | 第98页 |
| ·特征组合方法 | 第98-101页 |
| ·常用的行人检测特征组合方法 | 第101-102页 |
| ·基于多核学习的行人检测特征组合 | 第102-106页 |
| ·多核学习理论 | 第102-105页 |
| ·基于多核学习的行人检测特征组合方法 | 第105-106页 |
| ·基于特征组合的行人检测实验 | 第106-109页 |
| ·基于核函数平均加权法的行人特征组合方法 | 第106-108页 |
| ·基于稀疏多核学习的行人特征组合方法 | 第108页 |
| ·基于非稀疏多核学习的行人检测特征组合方法 | 第108页 |
| ·实验结果分析 | 第108-109页 |
| ·本章小结 | 第109-110页 |
| 第六章 半定规划松弛的聚类算法研究 | 第110-126页 |
| ·半定松弛的聚类问题描述 | 第110-114页 |
| ·基于欧氏距离平方和最小化标准的聚类算法 | 第110-112页 |
| ·聚类问题的SDP 松弛 | 第112-114页 |
| ·本文快速求解半定优化问题的算法 | 第114-123页 |
| ·矩阵生成方法的思想 | 第114-115页 |
| ·快速求解算法推导 | 第115-119页 |
| ·快速求解算法实现 | 第119-123页 |
| ·SDP 松弛聚类算法的实验研究 | 第123-125页 |
| ·本章小结 | 第125-126页 |
| 第七章 结束语 | 第126-130页 |
| ·工作总结 | 第126-127页 |
| ·研究展望 | 第127-130页 |
| ·行人检测技术的研究展望 | 第127-128页 |
| ·聚类算法的研究展望 | 第128-130页 |
| 致谢 | 第130-132页 |
| 参考文献 | 第132-150页 |
| 作者在学期间取得的学术成果 | 第150-152页 |
| 附录A HIK 核的正定性证明 | 第152页 |
