| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 基于模型的行人检测研究 | 第12-16页 |
| 1.2.2 基于特征分类的行人检测 | 第16-17页 |
| 1.3 当前存在的主要问题 | 第17-19页 |
| 1.4 本文主要研究内容和创新点 | 第19-20页 |
| 1.5 本文组织结构 | 第20-21页 |
| 第二章 基于超像素的 Codebook 行人检测方法 | 第21-40页 |
| 2.1 经典 Codebook 背景建模分析 | 第21-23页 |
| 2.1.1 Codebook 原理简介 | 第21-23页 |
| 2.1.2 存在的不足分析 | 第23页 |
| 2.2 CBSP-OD 原理及其框架 | 第23-32页 |
| 2.2.1 HSL 颜色空间及超像素分割 | 第23-27页 |
| 2.2.2 背景模型的构建 | 第27-28页 |
| 2.2.3 CBSP-OD 更新背景策略 | 第28-30页 |
| 2.2.4 前景目标的分类 | 第30-31页 |
| 2.2.5 算法步骤 | 第31-32页 |
| 2.3 实验结果对比与分析 | 第32-38页 |
| 2.3.1 CBSP-OD 算法性能分析 | 第32-36页 |
| 2.3.2 CBSP-OD 与其他方法的性能对比 | 第36-38页 |
| 2.4 本章小结 | 第38-40页 |
| 第三章 多特征级联的自适应行人检测算法 | 第40-59页 |
| 3.1 常用行人特征和自适应 SVM 原理介绍 | 第40-49页 |
| 3.1.1 LBP 特征 | 第40-43页 |
| 3.1.2 SPHOG 特征 | 第43-45页 |
| 3.1.3 SURF 特征 | 第45-48页 |
| 3.1.4 自适应 SVM 原理介绍 | 第48-49页 |
| 3.2 多特征级联的自适应行人检测 | 第49-54页 |
| 3.2.1 提取 LBP、SPHOG 和 SURF 三种特征 | 第50-51页 |
| 3.2.2 不同分类器的训练学习 | 第51-53页 |
| 3.2.3 CFA-PD 算法步骤 | 第53-54页 |
| 3.3 实验结果与分析 | 第54-58页 |
| 3.3.1 CFA-PD 算法检测结果比较 | 第54-57页 |
| 3.3.2 CFA-PD 算法性能分析 | 第57-58页 |
| 3.4 本章小结 | 第58-59页 |
| 第四章 基于大津法尺度空间精准行人标记方法 | 第59-70页 |
| 4.1 尺度空间信息量的度量 | 第59-63页 |
| 4.1.1 图像的特征点 | 第59-61页 |
| 4.1.2 基于大津法的尺度空间信息量度量方法 | 第61-63页 |
| 4.2 行人窗口的自适应标记 | 第63-66页 |
| 4.2.1 精准标记行人窗口 | 第64-65页 |
| 4.2.2 PM-OTSU 算法流程图 | 第65-66页 |
| 4.3 实验结果及分析 | 第66-69页 |
| 4.3.1 PM-OTSU 算法检测结果比较 | 第66-68页 |
| 4.3.2 PM-OTSU 算法性能分析 | 第68-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 论文工作总结 | 第70-71页 |
| 5.2 未来工作展望 | 第71-72页 |
| 参考文献 | 第72-79页 |
| 攻读学位期间公开发表的论文与知识产权成果 | 第79-80页 |
| 致谢 | 第80-81页 |