基于多特征融合的行人检测方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-12页 |
| ·本文研究的背景与意义 | 第7页 |
| ·与本文相关的前期研究 | 第7-9页 |
| ·基于运动的方法 | 第8页 |
| ·基于形状的方法 | 第8-9页 |
| ·行人检测的难点 | 第9-10页 |
| ·本文研究的内容和结构安排 | 第10-12页 |
| 2 人体特征方法研究 | 第12-34页 |
| ·引言 | 第12-13页 |
| ·Haar-Like特征 | 第13-16页 |
| ·Haar-Like特征简介 | 第13页 |
| ·Haar-Like特征计算 | 第13-15页 |
| ·基于Haar-Like特征的行人检测实验 | 第15-16页 |
| ·HOG特征 | 第16-20页 |
| ·HOG特征简介 | 第16-17页 |
| ·HOG特征提取过程 | 第17-19页 |
| ·基于HOG特征的行人检测实验 | 第19-20页 |
| ·SIFT特征 | 第20-27页 |
| ·SIFT特征简介 | 第20-21页 |
| ·SIFT特征提取过程 | 第21-27页 |
| ·SIFT关键点提取实验 | 第27页 |
| ·TED特征 | 第27-32页 |
| ·纹理特征 | 第27-28页 |
| ·TED特征简介 | 第28-30页 |
| ·TED特征计算 | 第30-32页 |
| ·基于TED特征的人体识别实验 | 第32页 |
| ·各人体特征的人体识别实验 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 3 人体分类方法研究 | 第34-49页 |
| ·引言 | 第34页 |
| ·支持向量机算法 | 第34-39页 |
| ·统计学习理论 | 第34-36页 |
| ·支持向量机原理 | 第36-38页 |
| ·对支持向量机 | 第38-39页 |
| ·TSVM和传统SVM的人体识别实验 | 第39页 |
| ·神经网络算法 | 第39-47页 |
| ·人工神经网络的发展 | 第39-40页 |
| ·人工神经网络的基本概念 | 第40-43页 |
| ·深层学习 | 第43-47页 |
| ·行人分类算法的人体识别实验 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 4 基于多特征融合的行人检测 | 第49-63页 |
| ·引言 | 第49页 |
| ·特征提取与融合 | 第49-55页 |
| ·样本HOG特征的计算 | 第49-50页 |
| ·PCA算法 | 第50-54页 |
| ·样本SIFT-PCA特征的计算 | 第54-55页 |
| ·AdaBoost分类器训练 | 第55-58页 |
| ·集成学习 | 第55-56页 |
| ·AdaBoost算法 | 第56页 |
| ·AdaBoost训练 | 第56-58页 |
| ·样本集构造 | 第58-59页 |
| ·实验结果与分析 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 5 总结与展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
