行人检测技术研究与实现
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-11页 |
| ·研究背景和意义 | 第8页 |
| ·行人检测研究状况 | 第8-10页 |
| ·论文的组织结构 | 第10-11页 |
| 2 行人检测算法概述 | 第11-19页 |
| ·行人检测基本框架 | 第11页 |
| ·行人检测数据集介绍 | 第11-12页 |
| ·特征提取 | 第12-15页 |
| ·Haar特征 | 第12-13页 |
| ·LBP特征 | 第13-15页 |
| ·HOG特征 | 第15页 |
| ·分类器简述 | 第15-17页 |
| ·窗口融合 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 3 基于SVM和改进的HOG特征的行人检测算法 | 第19-33页 |
| ·SVM的分类原理 | 第19-23页 |
| ·统计学习理论 | 第19页 |
| ·支持向量机分类 | 第19-23页 |
| ·HOG特征的计算 | 第23-25页 |
| ·实验结果与分析 | 第25-32页 |
| ·性能评价指标 | 第25页 |
| ·改进的HOG实验 | 第25-29页 |
| ·PCA降维实验 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 4 基于DPM模型的行人检测 | 第33-43页 |
| ·DPM模型中的HOG特征 | 第33-34页 |
| ·DPM模型中改进的HOG特征 | 第33-34页 |
| ·HOG特征金字塔 | 第34页 |
| ·DPM模型概论 | 第34-36页 |
| ·DPM模型组成 | 第34-35页 |
| ·可变形部件建模 | 第35-36页 |
| ·DPM模型检测 | 第36-37页 |
| ·隐形支持向量机 | 第37-39页 |
| ·DPM模型的训练过程 | 第39页 |
| ·实验结果和分析 | 第39-42页 |
| ·评价标准 | 第39-40页 |
| ·实验结果 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 5 基于空间颜色直方图的行人再识别 | 第43-51页 |
| ·颜色空间 | 第43-45页 |
| ·颜色空间模型的转换 | 第45-46页 |
| ·HSV颜色空间的量化和直方图 | 第46页 |
| ·颜色空间的量化 | 第46页 |
| ·颜色直方图和累加直方图 | 第46页 |
| ·颜色特征的相似性度量 | 第46-47页 |
| ·实验结果与分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 6 行人检测与跟踪系统 | 第51-62页 |
| ·目标检测介绍 | 第51-55页 |
| ·EM算法概述 | 第51-52页 |
| ·EM算法应用于混合高斯模型参数估计 | 第52-53页 |
| ·混合高斯模型背景建模 | 第53-55页 |
| ·目标跟踪算法介绍 | 第55-58页 |
| ·基于Meanshift算法的跟踪 | 第55-56页 |
| ·Meanshift的物理意义 | 第56-57页 |
| ·基于Meanshift的视频目标跟踪 | 第57-58页 |
| ·Camshift跟踪算法 | 第58-59页 |
| ·行人检测与跟踪系统实现 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 7 总结和展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读硕士期间发表学术论文情况 | 第66-67页 |
| 致谢 | 第67页 |
