| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 行人检测的研究背景及意义 | 第9-10页 |
| 1.2 行人检测的方法概述 | 第10-12页 |
| 1.2.1 行人检测的研究概况 | 第10-11页 |
| 1.2.2 行人检测的主要方法及分析 | 第11-12页 |
| 1.3 行人检测面临的挑战 | 第12-13页 |
| 1.4 论文的主要工作 | 第13-15页 |
| 第2章 机器学习理论 | 第15-23页 |
| 2.1 模式识别与机器学习简介 | 第15-17页 |
| 2.1.1 模式与模式识别 | 第15-16页 |
| 2.1.2 机器学习 | 第16-17页 |
| 2.2 统计机器学习方法 | 第17-21页 |
| 2.2.1 概念 | 第17-18页 |
| 2.2.2 贝叶斯决策 | 第18-19页 |
| 2.2.3 神经网络 | 第19-20页 |
| 2.2.4 支持向量机 | 第20-21页 |
| 2.3 集成机器学习方法 | 第21-23页 |
| 2.3.1 弱分类器 | 第21页 |
| 2.3.2 集成方法 | 第21-23页 |
| 第3章 基于Adaboost的行人检测算法的研究与应用 | 第23-44页 |
| 3.1 Adaboost算法 | 第23-26页 |
| 3.1.1 Adaboost算法介绍 | 第23-25页 |
| 3.1.2 Adaboost算法的收敛性能 | 第25-26页 |
| 3.1.3 Adaboost算法的泛化能力 | 第26页 |
| 3.2 Adaboost的分类器设计 | 第26-33页 |
| 3.2.1 弱分类器与强分类器 | 第26-29页 |
| 3.2.2 级联分类器 | 第29-33页 |
| 3.3 级联Adaboost分类器的训练 | 第33-39页 |
| 3.3.1 样本集的构造 | 第33-34页 |
| 3.3.2 训练流程介绍 | 第34-39页 |
| 3.4 结果分析 | 第39-44页 |
| 第4章 基于Bayes算法的行人检测器的增强研究 | 第44-53页 |
| 4.1 Bayes分类器 | 第44-48页 |
| 4.1.1 Bayes分类器及误差分析 | 第44-46页 |
| 4.1.2 正态分布情况下的Bayes分类器 | 第46-48页 |
| 4.2 Bayes分类器的设计 | 第48-49页 |
| 4.3 Bayes分类器的训练 | 第49-53页 |
| 4.3.1 训练流程介绍 | 第49-51页 |
| 4.3.2 结果分析 | 第51-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 本文的主要工作 | 第53页 |
| 5.2 进一步的工作 | 第53页 |
| 5.3 展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61页 |