| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题的背景和意义 | 第10-11页 |
| 1.2 红外图像行人检测国内外研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 论文主要研究内容 | 第14页 |
| 1.4 论文组织结构安排 | 第14-16页 |
| 第二章 红外图像采集及预处理 | 第16-24页 |
| 2.1 红外传感器成像原理 | 第16-17页 |
| 2.2 红外图像特点 | 第17-19页 |
| 2.3 红外图像采集 | 第19-20页 |
| 2.3.1 硬件平台搭建 | 第19页 |
| 2.3.2 数据采集场景 | 第19-20页 |
| 2.4 红外图像预处理 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于传统方法的红外图像行人检测算法 | 第24-40页 |
| 3.1 红外行人检测常用算法 | 第24-26页 |
| 3.1.1 基于感兴趣区域分割进行分类的红外行人检测方法 | 第24-25页 |
| 3.1.2 基于模板匹配的红外行人检测方法 | 第25-26页 |
| 3.1.3 特征提取与机器学习结合的行人检测方法 | 第26页 |
| 3.2 红外图像特征提取 | 第26-31页 |
| 3.2.1 局部二值模式特征 | 第27-28页 |
| 3.2.3 方向梯度直方图特征 | 第28-31页 |
| 3.3 红外行人目标分类 | 第31-35页 |
| 3.3.1 支持向量机 | 第31-33页 |
| 3.3.2 Adaboost算法 | 第33-35页 |
| 3.4 基于HOG+SVM的红外图像行人检测算法 | 第35-38页 |
| 3.4.1 HOG特征提取 | 第35-36页 |
| 3.4.2 SVM分类器训练 | 第36-37页 |
| 3.4.3 行人检测实验结果与分析 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于深度卷积神经网络的红外图像行人检测算法 | 第40-54页 |
| 4.1 卷积神经网络理论 | 第40-42页 |
| 4.1.1 神经网络 | 第40-41页 |
| 4.1.2 卷积神经网络 | 第41-42页 |
| 4.2 实时目标检测框架YOLO | 第42-44页 |
| 4.2.1 YOLO及YOLOv2 | 第42-43页 |
| 4.2.2 网络模型评价指标 | 第43-44页 |
| 4.3 基于改进YOLO的红外图像行人检测方法 | 第44-45页 |
| 4.2.1 改进方法 | 第44-45页 |
| 4.4 实验与分析 | 第45-52页 |
| 4.4.1 实验环境 | 第45-46页 |
| 4.4.2 数据集 | 第46-47页 |
| 4.4.3 网络模型预训练 | 第47页 |
| 4.4.4 超参数优化策略 | 第47-48页 |
| 4.4.5 实验结果对比分析 | 第48-52页 |
| 4.5 基于车速的自适应图像分辨率的行人检测模型 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 基于双目红外传感器的图像拼接 | 第54-66页 |
| 5.1 图像拼接概述 | 第54页 |
| 5.2 基于SIFT算法的双目红外图像拼接 | 第54-61页 |
| 5.2.1 尺度不变特征变换 | 第55-58页 |
| 5.2.2 随机抽样一致性算法 | 第58-60页 |
| 5.2.3 基于像素级的图像融合方法 | 第60-61页 |
| 5.3 实验结果与分析 | 第61-64页 |
| 5.3.1 硬件平台扩建 | 第61页 |
| 5.3.2 特征匹配与图像拼接 | 第61-63页 |
| 5.3.3 行人检测效果 | 第63-64页 |
| 5.4 本章小节 | 第64-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66页 |
| 6.2 对进一步研究的展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的学术论文 | 第72-74页 |
| 致谢 | 第74页 |