| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景与研究意义 | 第13-15页 |
| 1.2 行人检测技术现状 | 第15-18页 |
| 1.2.1 基于视觉的行人检测技术 | 第15-17页 |
| 1.2.2 基于多传感器融合的行人检测技术 | 第17-18页 |
| 1.3 论文的研究工作概述 | 第18-21页 |
| 1.3.1 研究技术路线 | 第18-19页 |
| 1.3.2 论文的主要内容及结构 | 第19页 |
| 1.3.3 论文的主要贡献 | 第19-21页 |
| 第二章 基于通道特征的行人检测算法 | 第21-39页 |
| 2.1 通道特征 | 第21-23页 |
| 2.2 基于AdaBoost算法的特征选择 | 第23-25页 |
| 2.2.1 AdaBoost算法结构 | 第23页 |
| 2.2.2 决策树 | 第23-24页 |
| 2.2.3 软级联框架下的AdaBoost算法框架 | 第24-25页 |
| 2.3 行人检测数据库的建立 | 第25-29页 |
| 2.3.1 数据库的收集 | 第25-27页 |
| 2.3.2 数据库的标注 | 第27-29页 |
| 2.4 分类器训练及结果分析 | 第29-38页 |
| 2.4.1 评价指标与训练测试数据集 | 第29-30页 |
| 2.4.2 特征及分类器参数选取 | 第30-31页 |
| 2.4.3 正负训练样本收集及其对分类器的影响 | 第31-35页 |
| 2.4.4 多模板行人模型的训练与实验分析 | 第35-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第三章 组合行人局部子模板的行人检测算法 | 第39-47页 |
| 3.1 局部子模板的学习 | 第39-41页 |
| 3.2 加入子模板约束的模型描述及训练检测 | 第41-44页 |
| 3.3 实验结果与分析 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 融合多线激光雷达的行人检测与跟踪算法 | 第47-61页 |
| 4.1 相机与激光雷达之间的配准 | 第47-49页 |
| 4.1.1 相机坐标系到车体坐标系的变换关系 | 第47-48页 |
| 4.1.2 雷达坐标系到车体坐标系的变换关系 | 第48-49页 |
| 4.2 行人候选点云数据筛选与分割 | 第49-52页 |
| 4.2.1 三维点云数据地面分割 | 第49-51页 |
| 4.2.2 基于KD-Tree的点云数据聚类 | 第51-52页 |
| 4.3 融合图像相似性的雷达分割物体跟踪 | 第52-56页 |
| 4.3.1 Tracking by Detection跟踪框架 | 第52-53页 |
| 4.3.2 基于卡尔曼滤波的状态估计与预测 | 第53-54页 |
| 4.3.3 结合雷达信息与图像相似性的数据关联 | 第54-56页 |
| 4.4 多帧多传感器行人检测信息融合框架 | 第56页 |
| 4.5 实车实验与分析 | 第56-59页 |
| 4.5.1 实验平台与系统配置 | 第57页 |
| 4.5.2 实验结果与分析 | 第57-59页 |
| 4.6 本章小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 本文工作总结 | 第61页 |
| 5.2 今后工作展望 | 第61-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 作者在学期间取得的学术成果 | 第70页 |