| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 引言 | 第9-10页 |
| 1.2 行人检测国内外研究现状 | 第10-13页 |
| 1.2.1 基于背景建模的行人检测方法 | 第10-11页 |
| 1.2.2 基于前景建模的行人检测方法 | 第11-13页 |
| 1.3 在线学习的理论和难点 | 第13-14页 |
| 1.3.1 在线学习理论 | 第13-14页 |
| 1.3.2 在线学习的难点 | 第14页 |
| 1.4 课题的研究意义 | 第14-16页 |
| 1.4.1 理论研究意义 | 第14-15页 |
| 1.4.2 实际研究意义 | 第15-16页 |
| 1.5 论文内容及组织结构 | 第16-18页 |
| 1.5.1 论文的主要研究内容 | 第16页 |
| 1.5.2 论文的组织结构 | 第16-18页 |
| 第二章 基于多特征融合的行人检测 | 第18-34页 |
| 2.1 特征融合的必要性 | 第18-19页 |
| 2.2 积分通道特征 | 第19-24页 |
| 2.2.1 介绍积分通道特征 | 第19-20页 |
| 2.2.2 通道属性和类型 | 第20-24页 |
| 2.3 实验结果及分析 | 第24-33页 |
| 2.3.1 行人检测评价标准 | 第24-26页 |
| 2.3.2 行人数据库 | 第26-28页 |
| 2.3.3 实验参数细节及优化 | 第28-29页 |
| 2.3.4 实验步骤及实现 | 第29-31页 |
| 2.3.5 结果分析及特征选择 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 Online Adaboost与基于半监督协同训练算法的样本标注 | 第34-56页 |
| 3.1 经典行人检测学习算法 | 第34-36页 |
| 3.2 在线学习算法 | 第36-43页 |
| 3.2.1 Online Boosting算法 | 第36-39页 |
| 3.2.2 Online Adaboost算法 | 第39-43页 |
| 3.3 基于半监督协同训练算法的样本标注 | 第43-49页 |
| 3.3.1 半监督学习的研究现状 | 第44-45页 |
| 3.3.2 经典协同训练算法 | 第45-49页 |
| 3.4 基于Triple Online Boosting Training的半监督在线学习算法 | 第49-55页 |
| 3.4.1 基于PCA的样本集划分及算法流程图 | 第50-52页 |
| 3.4.2 实验与分析 | 第52-55页 |
| 3.5 本章小结 | 第55-56页 |
| 第四章 行人检测系统框架 | 第56-73页 |
| 4.1 传统多尺度行人检测 | 第56-57页 |
| 4.2 基于快速特征金字塔构建的行人检测 | 第57-64页 |
| 4.2.1 单一特征通道：图像梯度直方图的近似 | 第58-60页 |
| 4.2.2 多通道尺度特征中的幂指定律 | 第60-62页 |
| 4.2.3 特征金字塔的快速构建 | 第62-64页 |
| 4.3 基于Triple Online Boosting Training的在线学习行人检测算法 | 第64-67页 |
| 4.4 实验结果与分析 | 第67-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-76页 |
| 5.1 工作总结 | 第73-74页 |
| 5.2 本文创新之处 | 第74页 |
| 5.3 工作展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第80-81页 |
| 附录2 攻读硕士学位期间申请的专利 | 第81-82页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第82-83页 |
| 致谢 | 第83页 |
