| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 行人检测技术发展综述 | 第10-13页 |
| 1.2.1 基于模板的行人检测算法 | 第10-11页 |
| 1.2.2 基于特征提取、分类器训练的行人检测算法 | 第11-13页 |
| 1.3 行人检测中存在的难点 | 第13-14页 |
| 1.4 论文内容与结构安排 | 第14-16页 |
| 第2章 行人检测算法的基本原理 | 第16-23页 |
| 2.1 行人检测算法的原理 | 第16-20页 |
| 2.1.1 数据集 | 第16-17页 |
| 2.1.2 分类算法概述 | 第17-20页 |
| 2.2 系统算法评价体系 | 第20-22页 |
| 2.2.1 检测率与DET曲线 | 第21页 |
| 2.2.2 PASCAL挑战方法 | 第21-22页 |
| 2.2.3 检测速度 | 第22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 特征提取算法的研究和改进 | 第23-32页 |
| 3.1 HOG特征 | 第23-26页 |
| 3.1.1 HOG原理 | 第23-25页 |
| 3.1.2 PCA降维 | 第25-26页 |
| 3.2 CENTRIST特征 | 第26-29页 |
| 3.2.1 统计变换 | 第26-27页 |
| 3.2.2 CENTRIST用于行人检测 | 第27-29页 |
| 3.3 Haar-like特征 | 第29-31页 |
| 3.3.1 Haar-like原理 | 第29-30页 |
| 3.3.2 基于积分通道的Haar特征 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于多特征融合的行人检测 | 第32-47页 |
| 4.1 本文的行人检测系统方案设计 | 第32-33页 |
| 4.2 感兴趣区域提取 | 第33-37页 |
| 4.2.1 基于颜色的分割方法 | 第33-35页 |
| 4.2.2 基于边缘对称的分割方法 | 第35-37页 |
| 4.3 多特征融合与行人检测 | 第37-42页 |
| 4.3.1 金字塔式检测方法 | 第37-39页 |
| 4.3.2 分类器规格设计 | 第39-41页 |
| 4.3.3 级联分类器的训练 | 第41页 |
| 4.3.4 窗口融合 | 第41-42页 |
| 4.4 实验结果与分析 | 第42-46页 |
| 4.4.1 检测率与DET曲线 | 第42-44页 |
| 4.4.2 位置精度 | 第44-45页 |
| 4.4.3 检测速度 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 附录 | 第55页 |