| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 论文研究的背景和意义 | 第14-15页 |
| 1.2 行人检测技术的研究现状 | 第15-17页 |
| 1.2.1 基于特征学习的行人检测技术 | 第15-16页 |
| 1.2.2 基于嵌入式平台的行人检测技术 | 第16-17页 |
| 1.3 常用的行人检测数据库 | 第17-18页 |
| 1.4 行人检测算法的评价标准 | 第18页 |
| 1.5 论文的主要研究内容 | 第18-19页 |
| 1.6 论文的组织结构 | 第19-22页 |
| 第2章 行人检测算法ZYNQ硬件平台研究 | 第22-32页 |
| 2.1 引言 | 第22页 |
| 2.2 ZYNQ平台架构 | 第22-24页 |
| 2.3 AXI总线通信 | 第24-27页 |
| 2.3.1 AXI总线协议 | 第24-26页 |
| 2.3.2 AXI VDMA IP核 | 第26-27页 |
| 2.4 软硬件协同设计思想 | 第27-29页 |
| 2.5 ZYNQ平台图像处理加速技术 | 第29-30页 |
| 2.5.1 FPGA的并行计算技术 | 第29页 |
| 2.5.2 图像处理的流水线技术 | 第29-30页 |
| 2.6 行人检测算法实现的ZYNQ硬件平台设计 | 第30-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第3章 行人检测相关理论与方法 | 第32-48页 |
| 3.1 引言 | 第32-33页 |
| 3.2 常用的特征提取算法 | 第33-38页 |
| 3.2.1 Haar-Like特征 | 第33-34页 |
| 3.2.2 HOG特征 | 第34-37页 |
| 3.2.3 CENTRIST特征 | 第37-38页 |
| 3.3 常用的分类器检测算法 | 第38-44页 |
| 3.3.1 ANN分类器 | 第38-39页 |
| 3.3.2 SVM分类器 | 第39-42页 |
| 3.3.3 AdaBoost分类器 | 第42-44页 |
| 3.4 窗口融合 | 第44-45页 |
| 3.5 本章小结 | 第45-48页 |
| 第4章 基于HOG+AdaBoost行人检测算法的ZYNQ片上系统实现 | 第48-64页 |
| 4.1 引言 | 第48-49页 |
| 4.2 系统软件工程设计与调试 | 第49-50页 |
| 4.3 HOG特征的硬件优化 | 第50-53页 |
| 4.3.1 梯度角度值的硬件优化 | 第50-51页 |
| 4.3.2 归一化的移位近似 | 第51-53页 |
| 4.4 HOG特征提取的流水线硬件设计 | 第53-57页 |
| 4.4.1 并发处理的流水线设计方案 | 第53-55页 |
| 4.4.2 梯度计算的流水线结构设计 | 第55页 |
| 4.4.3 cell单元直方图生成模块的流水线结构设计 | 第55-56页 |
| 4.4.4 block块直方图生成模块的流水线结构设计 | 第56-57页 |
| 4.5 Ada Boost分类器的并行设计 | 第57-59页 |
| 4.6 实验结果与分析 | 第59-62页 |
| 4.7 本章小结 | 第62-64页 |
| 第5章 总结与展望 | 第64-66页 |
| 5.1 论文工作总结 | 第64-65页 |
| 5.2 论文研究展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的学术论文 | 第70-71页 |
| 致谢 | 第71页 |
