| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究发展与现状 | 第12-17页 |
| 1.3 本文的主要研究内容与章节安排 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 行人检测的技术分析 | 第19-29页 |
| 2.1 前言 | 第19页 |
| 2.2 经典的行人特征提取算法 | 第19-23页 |
| 2.2.1 Haar-Like特征 | 第19-21页 |
| 2.2.2 HOG特征 | 第21页 |
| 2.2.3 SIFT特征 | 第21-23页 |
| 2.2.4 Gabor特征 | 第23页 |
| 2.3 行人检测的分类算法 | 第23-28页 |
| 2.3.1 支持向量机算法 | 第24-25页 |
| 2.3.2 神经网络算法 | 第25-27页 |
| 2.3.3 boosting类别算法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于多特征信息的行人检测 | 第29-51页 |
| 3.1 前言 | 第29页 |
| 3.2 行人轮廓信息的提取 | 第29-34页 |
| 3.2.1 颜色/gamma规格化 | 第29页 |
| 3.2.2 计算梯度 | 第29-31页 |
| 3.2.3 对各cell的梯度方向加权直方图进行统计 | 第31-32页 |
| 3.2.4 同一块中的对比规格化 | 第32-34页 |
| 3.3 行人方向信息的提取 | 第34-36页 |
| 3.3.1 二维Gabor滤波器 | 第35页 |
| 3.3.2 实部和虚部 | 第35-36页 |
| 3.4 各人体特征的识别实验 | 第36-40页 |
| 3.5 基于多特征信息的行人检测 | 第40-49页 |
| 3.5.1 预处理 | 第41-42页 |
| 3.5.2 特征信息融合 | 第42-43页 |
| 3.5.3 特征降维 | 第43-44页 |
| 3.5.4 实验及结果 | 第44-49页 |
| 3.6 本章小结 | 第49-51页 |
| 第4章 基于多特征信息的部位组合的行人检测 | 第51-68页 |
| 4.1 前言 | 第51页 |
| 4.2 基于机器学习的行人分类算法 | 第51-57页 |
| 4.2.1 行人特征信息的学习流程 | 第51-54页 |
| 4.2.2 训练误差 | 第54-55页 |
| 4.2.3 泛化误差 | 第55-57页 |
| 4.3 增加行人的多尺度信息 | 第57-58页 |
| 4.4 生成组合分类器 | 第58-59页 |
| 4.5 模板识别与合并 | 第59-60页 |
| 4.5.1 模板识别 | 第59-60页 |
| 4.5.2 模板合并 | 第60页 |
| 4.6 特征提取与检测流程 | 第60-62页 |
| 4.7 实验及结果 | 第62-67页 |
| 4.8 本章小结 | 第67-68页 |
| 第5章 总结与展望 | 第68-69页 |
| 5.1 总结 | 第68页 |
| 5.2 未来展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 作者简介及在学期间所取得的科研成果 | 第74-75页 |
| 致谢 | 第75页 |