| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题的研究背景及意义 | 第8-10页 |
| 1.2 行人检测技术国内外发展现状 | 第10-13页 |
| 1.3 本文研究内容 | 第13-16页 |
| 第2章 基于路面约束的感兴趣区域提取 | 第16-26页 |
| 2.1 基于路面约束的图像分割原理 | 第16-20页 |
| 2.1.1 FCM聚类算法 | 第16-17页 |
| 2.1.2 Canny边缘检测算子和霍夫变换 | 第17-19页 |
| 2.1.3 区域生长 | 第19-20页 |
| 2.2 基于路面约束的图像分割感兴趣区域研究 | 第20-23页 |
| 2.2.1 基于FCM的图像分割 | 第20-21页 |
| 2.2.2 路面提取 | 第21-22页 |
| 2.2.3 基于路面约束的感兴趣区域筛选 | 第22-23页 |
| 2.3 结果实验及分析 | 第23-25页 |
| 2.4 小结 | 第25-26页 |
| 第3章 基于稀疏表示的特征融合 | 第26-38页 |
| 3.1 特征提取 | 第26-30页 |
| 3.1.1 HOG特征原理 | 第26-27页 |
| 3.1.2 LBP特征原理 | 第27-28页 |
| 3.1.3 实验平台和评价指标介绍 | 第28-29页 |
| 3.1.4 基于分块LBP特征提取实验 | 第29-30页 |
| 3.2 稀疏表示 | 第30-34页 |
| 3.2.1 稀疏表示理论 | 第30-31页 |
| 3.2.2 单一特征的稀疏表示 | 第31-34页 |
| 3.3 多尺度融合的稀疏特征 | 第34-37页 |
| 3.3.1 多尺度融合的稀疏特征原理 | 第34-35页 |
| 3.3.2 多尺度融合的稀疏特征实验 | 第35-37页 |
| 3.4 小结 | 第37-38页 |
| 第4章 分类器选择以及分类器参数寻优 | 第38-47页 |
| 4.1 支持向量机和KNN分类器 | 第38-41页 |
| 4.1.1 支持向量机分类器原理 | 第38-39页 |
| 4.1.2 KNN分类器原理 | 第39-40页 |
| 4.1.3 交叉验证 | 第40-41页 |
| 4.2 分类器比较和核函数选择 | 第41-43页 |
| 4.2.1 基于多尺度融合的稀疏特征进行KNN和SVM分类器比较 | 第41-42页 |
| 4.2.2 基于SVM分类器的线性核和RBF核选择 | 第42-43页 |
| 4.3 SVM分类器参数寻优 | 第43-46页 |
| 4.3.1 网格搜索法粗寻优 | 第43-44页 |
| 4.3.2 粒子群算法优化 | 第44-46页 |
| 4.4 小结 | 第46-47页 |
| 第5章 结论 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 作者简介 | 第55页 |
| 攻读硕士学位期间研究成果 | 第55页 |