基于车载摄像头的道路行人检测算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状及分析 | 第10-14页 |
| 1.2.1 车载应用中行人检测技术发展概况 | 第10-11页 |
| 1.2.2 基于视觉的行人检测算法研究现状 | 第11-14页 |
| 1.3 本文主要研究工作 | 第14页 |
| 1.4 本文的章节安排 | 第14-16页 |
| 第2章 行人检测相关原理与算法介绍 | 第16-28页 |
| 2.1 行人定位算法 | 第16-19页 |
| 2.1.1 生成候选窗口 | 第16-18页 |
| 2.1.2 窗口过滤算法 | 第18-19页 |
| 2.2 行人特征描述 | 第19-23页 |
| 2.2.1 基于模板的特征描述 | 第19-20页 |
| 2.2.2 基于运动信息的特征描述 | 第20-21页 |
| 2.2.3 基于统计信息的特征描述 | 第21-23页 |
| 2.3 特征分类算法 | 第23-27页 |
| 2.3.1 支持向量机 | 第23-25页 |
| 2.3.2 人工神经网络 | 第25-26页 |
| 2.3.3 集成分类器 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 行人检测算法研究与优化 | 第28-42页 |
| 3.1 扫描窗口方法的研究与设计 | 第28-30页 |
| 3.1.1 基于灰度信息生成候选窗口 | 第29-30页 |
| 3.1.2 基于空间假设的窗口筛选设计 | 第30页 |
| 3.2 行人特征表达算法研究与设计 | 第30-33页 |
| 3.2.1 多通道特征的融合 | 第30-31页 |
| 3.2.2 多尺寸特征金字塔加速算法 | 第31-33页 |
| 3.3 行人特征提取算法研究与改进 | 第33-38页 |
| 3.3.1 基于矩形滤波的特征提取算法改进 | 第34-35页 |
| 3.3.2 基于人形先验滤波模板的生成算法 | 第35-37页 |
| 3.3.3 多种滤波模板组的融合设计 | 第37-38页 |
| 3.4 特征分类模型研究与实现 | 第38-41页 |
| 3.4.1 Adaboost集成分类器 | 第39-40页 |
| 3.4.2 Bootstrapping迭代训练 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 行人检测算法实验与结果分析 | 第42-54页 |
| 4.1 实验条件介绍 | 第42-44页 |
| 4.1.1 实验数据集简介 | 第42-43页 |
| 4.1.2 算法评价标准 | 第43-44页 |
| 4.2 扫描窗口的实验结果与分析 | 第44-45页 |
| 4.3 特征提取的实验结果与分析 | 第45-48页 |
| 4.4 分类器训练的实验结果与分析 | 第48-49页 |
| 4.5 整体检测算法的实验结果与对比 | 第49-53页 |
| 4.5.1 公开数据集上的实验结果 | 第49-52页 |
| 4.5.2 录制数据集上的实验结果 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-62页 |
| 攻读学位期间发表的学术论文 | 第62-64页 |
| 致谢 | 第64页 |
