智能交通系统中行人快速检测算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国内外智能交通系统发展现状 | 第11-12页 |
| 1.2.2 国内外行人检测算法研究现状 | 第12-14页 |
| 1.3 行人检测研究难点 | 第14-15页 |
| 1.4 行人检测技术研究意义 | 第15-16页 |
| 1.5 研究内容及结构安排 | 第16-18页 |
| 第2章 行人检测算法基本理论 | 第18-30页 |
| 2.1 行人检测算法分类 | 第18页 |
| 2.2 行人特征简述 | 第18-25页 |
| 2.2.1 Haar-like特征 | 第18-20页 |
| 2.2.2 Shapelet特征 | 第20-21页 |
| 2.2.3 LBP特征 | 第21-23页 |
| 2.2.4 HOG特征 | 第23-25页 |
| 2.3 基于多部位的检测算法 | 第25-28页 |
| 2.3.1 自适应组合分类器 | 第25-26页 |
| 2.3.2 基于贝叶斯推断的组合算法 | 第26-27页 |
| 2.3.3 隐式形状模板 | 第27-28页 |
| 2.4 基于多视角的方法 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于梯度直方图和向量机算法设计 | 第30-49页 |
| 3.1 HOG+SVM行人检测简述 | 第30-31页 |
| 3.2 训练样本制作与选择 | 第31-34页 |
| 3.2.1 原始图像采集 | 第31页 |
| 3.2.2 训练数据的制作 | 第31-32页 |
| 3.2.3 样本的构成方法 | 第32-34页 |
| 3.3 HOG特征提取 | 第34-39页 |
| 3.3.1 Gamma颜色空间归一化 | 第35页 |
| 3.3.2 梯度计算 | 第35-37页 |
| 3.3.3 高斯权重调整 | 第37-38页 |
| 3.3.4 空间梯度插值 | 第38-39页 |
| 3.3.5 归一化处理 | 第39页 |
| 3.4 支持向量机理论 | 第39-45页 |
| 3.4.1 SVM理论综述 | 第40-44页 |
| 3.4.2 SVM分类器训练 | 第44-45页 |
| 3.5 HOG+SVM分类器训练及实验分析 | 第45-48页 |
| 3.5.1 LIBSVM软件包 | 第45页 |
| 3.5.2 HOG+ SVM训练方法 | 第45-46页 |
| 3.5.3 基于HOG +SVM实验结果 | 第46-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 改进的PCA降维算法设计 | 第49-57页 |
| 4.1 PCA主成分析原理 | 第49-51页 |
| 4.2 基于HOG-PCA支持向量机设计框架 | 第51-52页 |
| 4.3 HOG-PCA计算方法 | 第52页 |
| 4.4 HOG-PCA支持向量机训练实验 | 第52-55页 |
| 4.4.1 HOG-PCA-SVM训练 | 第52-53页 |
| 4.4.2 实验结果分析 | 第53-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第5章 遮挡下多特征行人检测算法研究 | 第57-68页 |
| 5.1 局部二元模式特征 | 第57-59页 |
| 5.2 快速提取HOG特征 | 第59-61页 |
| 5.3 双分类器的行人检测 | 第61-64页 |
| 5.4 改进算法的行人检测结果 | 第64-65页 |
| 5.5 基于PCA-HOG与LBP融合的行人检测 | 第65-66页 |
| 5.6 本章小节 | 第66-68页 |
| 结论 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 攻读学位期间取得学术成果 | 第74页 |
