| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究难点 | 第11-13页 |
| 1.4 本文主要研究内容和章节安排 | 第13-15页 |
| 第二章 行人检测相关技术 | 第15-33页 |
| 2.1 行人检测的基本流程 | 第15页 |
| 2.2 特征描述 | 第15-23页 |
| 2.2.1 HOG特征描述 | 第16-19页 |
| 2.2.2 LBP特征描述 | 第19-21页 |
| 2.2.3 图像金字塔 | 第21-23页 |
| 2.3 支持向量机 | 第23-27页 |
| 2.3.1 线性支持向量机 | 第23-26页 |
| 2.3.2 概率SVM | 第26-27页 |
| 2.4 非极大值抑制 | 第27-28页 |
| 2.5 DS证据理论 | 第28-32页 |
| 2.5.1 信息融合 | 第28页 |
| 2.5.2 证据理论概念 | 第28-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 行人检测方法 | 第33-38页 |
| 3.1 基于单一特征的行人检测方法 | 第33-34页 |
| 3.2 基于特征扩增的行人检测方法 | 第34页 |
| 3.3 基于SVM-DS多特征决策融合的行人检测方法 | 第34-37页 |
| 3.3.1 SVM-DS证据组合行人检测模型 | 第35页 |
| 3.3.2 BPA函数的构造 | 第35-36页 |
| 3.3.3 决策融合 | 第36页 |
| 3.3.4 判别规则 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 实验结果及分析 | 第38-49页 |
| 4.1 实验环境 | 第38页 |
| 4.2 行人检测数据集 | 第38-40页 |
| 4.2.1 INRIA数据集 | 第38-39页 |
| 4.2.2 Caltech数据集 | 第39-40页 |
| 4.3 行人检测评价方法 | 第40-41页 |
| 4.4 基于单特征的行人检测方法及结果分析 | 第41页 |
| 4.4.1 实验方案 | 第41页 |
| 4.5 基于HOG-LBP特征扩增的行人检测方法及结果分析 | 第41-42页 |
| 4.5.1 实验方案 | 第41-42页 |
| 4.5.2 实验结果分析 | 第42页 |
| 4.6 基于SVM-DS多特征决策融合的行人检测方法 | 第42-47页 |
| 4.6.1 实验方案 | 第42-43页 |
| 4.6.2 实验结果分析 | 第43-46页 |
| 4.6.3 行人检测错误案例分析 | 第46-47页 |
| 4.7 本章小结 | 第47-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55页 |
