| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 人体特征提取算法国内外研究现状 | 第8-10页 |
| 1.2.2 ELM分类算法国内外研究现状 | 第10-11页 |
| 1.2.3 现存的问题及难点 | 第11页 |
| 1.3 本文主要研究内容及工作安排 | 第11-14页 |
| 1.3.1 论文主要内容 | 第11-12页 |
| 1.3.2 论文组织结构 | 第12-14页 |
| 2 基于HOG与OELM的人体检测方法 | 第14-36页 |
| 2.1 基于HOG的人体检测算法整体流程 | 第14-15页 |
| 2.2 梯度方向直方图（HOG） | 第15-19页 |
| 2.2.1 HOG基本原理 | 第15页 |
| 2.2.2 HOG实施步骤 | 第15-19页 |
| 2.3 ELM（Extreme learning machine）算法 | 第19-22页 |
| 2.3.1 ELM算法原理 | 第19-20页 |
| 2.3.2 带随机隐节点的SLFN | 第20-21页 |
| 2.3.3 基于最小二乘解的SLFN | 第21页 |
| 2.3.4 ELM算法步骤 | 第21-22页 |
| 2.3.5 ELM算法存在的问题 | 第22页 |
| 2.4 OELM（Optimization Extreme Learning Machine）算法 | 第22-27页 |
| 2.4.1 优化ELM的方法 | 第23页 |
| 2.4.2 SVM的最大分类间隔思想 | 第23-24页 |
| 2.4.3 最小化输出权值的模 | 第24-25页 |
| 2.4.4 ELM分类机制 | 第25页 |
| 2.4.5 ELM优化模型 | 第25-26页 |
| 2.4.6 ELM的KKT（Karush-Kuhn-Tucker）条件 | 第26-27页 |
| 2.5 检测结果与融合 | 第27-30页 |
| 2.5.1 非极大值抑制(Non-maximum suppression,NMS) | 第27-30页 |
| 2.6 本章实验 | 第30-35页 |
| 2.6.1 HOG特征向量提取分析 | 第31-32页 |
| 2.6.2 基于HOG与OELM人体检测实验分析 | 第32-34页 |
| 2.6.3 检测结果融合实验分析 | 第34-35页 |
| 2.7 本章小结 | 第35-36页 |
| 3 基于HOG与IOELM的人体检测方法 | 第36-46页 |
| 3.1 IOELM算法 | 第36-39页 |
| 3.1.1 BAS(Basic Active Set)算法 | 第37-38页 |
| 3.1.2 EAS(Efficient Active Set)算法 | 第38-39页 |
| 3.2 推测赋值法 | 第39-40页 |
| 3.3 本章实验 | 第40-45页 |
| 3.3.1 IOEML隐节点个数实验分析 | 第40页 |
| 3.3.2 IOELM初始迭代向量分析 | 第40-41页 |
| 3.3.3 基于HOG与IOELM的人体检测方法性能分析 | 第41-43页 |
| 3.3.4 EAS算法在其他数据上实验分析 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 人体检测系统设计与实现 | 第46-54页 |
| 4.1 人体检测系统设计概要 | 第46-47页 |
| 4.2 人体检测系统模块框架 | 第47-48页 |
| 4.3 实验环境 | 第48页 |
| 4.4 系统实现 | 第48-52页 |
| 4.5 本章小结 | 第52-54页 |
| 5 结论 | 第54-56页 |
| 5.1 总结 | 第54页 |
| 5.2 研究展望 | 第54-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62页 |
