混合交通中行人检测方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-17页 |
| ·课题研究的背景和目的 | 第10-11页 |
| ·国内外研究现状 | 第11-15页 |
| ·行人检测的研究现状 | 第11-13页 |
| ·比较成功应用的行人检测系统 | 第13-14页 |
| ·计算机开源工具包OpenCV的介绍 | 第14-15页 |
| ·本文的研究内容 | 第15-17页 |
| 第2章 数字图像预处理技术 | 第17-24页 |
| ·预处理的分类 | 第17页 |
| ·空域平滑滤波 | 第17-18页 |
| ·去噪方法 | 第18-20页 |
| ·均值滤波 | 第18-19页 |
| ·带阈值的邻域平均法 | 第19页 |
| ·中值滤波 | 第19-20页 |
| ·直方图均衡化 | 第20-23页 |
| ·直方图的基本概念 | 第21页 |
| ·直方图均衡化的基本思想 | 第21页 |
| ·直方图均衡化的方法 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 摄像头固定的背景建模 | 第24-35页 |
| ·帧间差分法 | 第24-25页 |
| ·背景差分法 | 第25-26页 |
| ·常用的背景建模方法 | 第26-29页 |
| ·传统背景建模方法 | 第26页 |
| ·单高斯模型的背景建模 | 第26-27页 |
| ·混合高斯背景建模 | 第27-29页 |
| ·编码本背景建模 | 第29-34页 |
| ·编码本背景模型介绍 | 第29页 |
| ·建模方法 | 第29-30页 |
| ·训练码本 | 第30-31页 |
| ·前景检测 | 第31-32页 |
| ·阴影消除 | 第32页 |
| ·目标检测过程的码本更新 | 第32-33页 |
| ·判断前景目标是否为行人 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于矩形特征的行人检测 | 第35-50页 |
| ·AdaBoost算法 | 第35-37页 |
| ·AdaBoost背景介绍 | 第35页 |
| ·AdaBoost训练算法 | 第35-37页 |
| ·Gentle AdaBoost流程 | 第37页 |
| ·级联分类器设计 | 第37-39页 |
| ·矩形特征 | 第39-41页 |
| ·基本的矩形特征 | 第39-40页 |
| ·增加的矩形特征 | 第40-41页 |
| ·积分图 | 第41-44页 |
| ·积分图的引进 | 第41页 |
| ·积分图的原理 | 第41-43页 |
| ·将积分图用在矩形特征上 | 第43-44页 |
| ·训练分类器 | 第44-48页 |
| ·训练流程 | 第44-45页 |
| ·检测阶段 | 第45-46页 |
| ·检测效果 | 第46-48页 |
| ·性能分析 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第5章 基于HOG特征的行人检测 | 第50-68页 |
| ·梯度方向直方图算法 | 第50-51页 |
| ·算法的实现 | 第51-53页 |
| ·HOG算法的改进 | 第53-56页 |
| ·可变尺度的block | 第53-54页 |
| ·积分梯度方向直方图的引进 | 第54-56页 |
| ·用SVM进行训练 | 第56-60页 |
| ·SVM的数学表示 | 第56-57页 |
| ·核函数 | 第57-58页 |
| ·松弛变量的引入 | 第58-59页 |
| ·引入不对称风险 | 第59页 |
| ·用SVM进行训练 | 第59-60页 |
| ·训练级联分类器 | 第60-62页 |
| ·结合矩形特征和HOG特征的行人检测方法 | 第62-63页 |
| ·检测结果 | 第63-66页 |
| ·性能分析 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第74-75页 |
| 致谢 | 第75页 |
