| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 先进驾驶辅助系统概述 | 第7-8页 |
| 1.2 行人检测技术概述 | 第8-9页 |
| 1.3 论文研究的意义和目的 | 第9-10页 |
| 1.4 本文的内容安排 | 第10-13页 |
| 第二章 基于机器视觉的行人检测 | 第13-33页 |
| 2.1 引言 | 第13-15页 |
| 2.2 基于统计分类的行人检测方法 | 第15-25页 |
| 2.2.1 特征提取 | 第15-20页 |
| 2.2.1.1 Haar 特征 | 第15-17页 |
| 2.2.1.2 SIFT 特征描述算子 | 第17-20页 |
| 2.2.2 目标识别 | 第20-25页 |
| 2.2.2.1 基于 Adaboost 的目标识别方法 | 第20-22页 |
| 2.2.2.2 基于树分类器的目标识别方法 | 第22-25页 |
| 2.3 基于模板匹配的行人检测方法 | 第25-28页 |
| 2.4 基于立体视觉的行人检测方法 | 第28-31页 |
| 2.5 基于神经网络的行人检测方法 | 第31-33页 |
| 第三章 图像预处理及 HOG 特征提取 | 第33-55页 |
| 3.1 图像预处理 | 第33-36页 |
| 3.1.1 邻域平均法 | 第33-35页 |
| 3.1.2 中值滤波法 | 第35-36页 |
| 3.2 提取感兴趣区域 | 第36-49页 |
| 3.2.1 边缘检测 | 第37-40页 |
| 3.2.2 二值化图像 | 第40-44页 |
| 3.2.2.1 基于矩不变的二值化分割法 | 第41-43页 |
| 3.2.2.2 大律法(最大类间方差法)二值化分割图像 | 第43-44页 |
| 3.2.3 线检测图像 | 第44-46页 |
| 3.2.4 提取高对称度区域 | 第46-47页 |
| 3.2.5 合并对称轴 | 第47-48页 |
| 3.2.6 感兴趣区域最终提取 | 第48-49页 |
| 3.3 HOG 特征提取 | 第49-55页 |
| 第四章 支持向量机行人检测 | 第55-67页 |
| 4.1 行人检测库 | 第55-56页 |
| 4.2 机器统计学习理论 | 第56-60页 |
| 4.2.1 经验风险最小化 | 第57-58页 |
| 4.2.2 结构风险最小化 | 第58-60页 |
| 4.3 支持向量机理论 | 第60-67页 |
| 4.3.1 线性分类器 | 第60-62页 |
| 4.3.2 支持向量机 | 第62-67页 |
| 4.3.2.1 线性可分的支持向量机 | 第62-63页 |
| 4.3.2.2 线性不可分的支持向量机 | 第63-67页 |
| 第五章 实验结果分析与结论 | 第67-69页 |
| 5.1 实验结果 | 第67-68页 |
| 5.2 总结和展望 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 在读期间研究成果 | 第75-76页 |