基于加权可变形部件模型的行人检测算法
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文结构 | 第11-13页 |
| 第二章 图像特征提取 | 第13-22页 |
| 2.1 Harr特征 | 第13-15页 |
| 2.2 LBP特征 | 第15-16页 |
| 2.3 HOG特征 | 第16-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 SVM分类器 | 第22-32页 |
| 3.1 SVM的背景介绍 | 第22-23页 |
| 3.2 SVM基本原理 | 第23-25页 |
| 3.3 线性可分SVM模型 | 第25-27页 |
| 3.3.1 Lagrange对偶性 | 第25-26页 |
| 3.3.2 序列最小优化算法 | 第26-27页 |
| 3.4 线性不可分SVM模型 | 第27-31页 |
| 3.4.1 核函数 | 第27-29页 |
| 3.4.2 松弛变量 | 第29-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 基于DPM模型的检测策略 | 第32-47页 |
| 4.1 行人检测模型 | 第32-37页 |
| 4.1.1 DPM模型 | 第32-34页 |
| 4.1.2 模型匹配 | 第34-36页 |
| 4.1.3 混合模型 | 第36-37页 |
| 4.2 Latent SVM分类器 | 第37-42页 |
| 4.2.1 半凸优化目标函数 | 第37-38页 |
| 4.2.2 最优化方法 | 第38-39页 |
| 4.2.3 随机梯度下降法 | 第39-40页 |
| 4.2.4 难负例挖掘算法 | 第40-42页 |
| 4.3 Latent SVM训练行人模型的流程 | 第42-45页 |
| 4.3.1 模型参数训练 | 第42-44页 |
| 4.3.2 模型的初始化 | 第44-45页 |
| 4.4 后处理 | 第45-46页 |
| 4.4.1 预测窗口 | 第45页 |
| 4.4.2 非极大值抑制 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 权重可变的DPM模型的行人检测策略 | 第47-61页 |
| 5.1 权重可变的DPM模型 | 第47-50页 |
| 5.2 遮挡情况下行人检测策略 | 第50-55页 |
| 5.2.1 滑动窗口中遮挡的位置判断 | 第50-54页 |
| 5.2.2 遮挡情况下DPM模型的权重变化策略 | 第54-55页 |
| 5.3 行人检测常用数据库 | 第55-56页 |
| 5.4 实验结果和分析 | 第56-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 发表论文和参加科研情况说明 | 第67-68页 |
| 致谢 | 第68-69页 |
