| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 有关行人检测特征的国内外研究现状 | 第13-14页 |
| 1.2.2 有关行人检测算法的国内外研究现状 | 第14-15页 |
| 1.2.3 有关金字塔缩放的国内外研究现状 | 第15页 |
| 1.3 论文组织结构 | 第15-17页 |
| 第二章 行人检测相关技术 | 第17-28页 |
| 2.1 行人特征描述 | 第17-22页 |
| 2.1.1 SIFT特征 | 第17-19页 |
| 2.1.2 HOG特征 | 第19-21页 |
| 2.1.3 LBP特征 | 第21-22页 |
| 2.2 分类器算法构造 | 第22-27页 |
| 2.2.1 Adaboost分类器 | 第22-25页 |
| 2.2.1.1 弱学习与强学习 | 第22-23页 |
| 2.2.1.2 Boosting方法 | 第23页 |
| 2.2.1.3 Adaboost方法 | 第23-25页 |
| 2.2.2 SVM分类器 | 第25-27页 |
| 2.2.2.1 支持向量机理论 | 第25-26页 |
| 2.2.2.2 核函数 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 局部二值模式的行人检测 | 第28-40页 |
| 3.1 二值模式特征的Adaboost算法 | 第28-32页 |
| 3.1.1 二值模式特征的分类器训练 | 第28-29页 |
| 3.1.2 弱分类器的构成 | 第29-30页 |
| 3.1.3 Adaboost算法的动态阈值方法 | 第30-32页 |
| 3.2 梯度二值模式特征 | 第32-37页 |
| 3.3 混合特征池的行人检测 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 快速特征金子塔 | 第40-47页 |
| 4.1 特征图片的幂指定律 | 第40-42页 |
| 4.1.1 图像梯度直方图近似 | 第40-41页 |
| 4.1.2 多尺度特征中的幂指定律 | 第41页 |
| 4.1.3 估计参数λ_Ω | 第41-42页 |
| 4.2 参数估计实验 | 第42-46页 |
| 4.3 本章小结 | 第46-47页 |
| 第五章 基于局部二值模式的快速特征金字塔的行人检测 | 第47-59页 |
| 5.1 特征和参数选择 | 第47-48页 |
| 5.2 实验过程 | 第48-58页 |
| 5.2.1 训练集和测试集 | 第48-49页 |
| 5.2.2 提取BPG-LBP特征 | 第49页 |
| 5.2.3 训练Adaboost分类器 | 第49页 |
| 5.2.4 临近特征尺度估计 | 第49-50页 |
| 5.2.5 实验结果 | 第50-54页 |
| 5.2.5.1 在INRIA数据集上的实验结果 | 第50-52页 |
| 5.2.5.2 在ETH数据集上的实验结果 | 第52-53页 |
| 5.2.5.3 在Caltech数据集上的实验结果 | 第53-54页 |
| 5.2.6 结果评测 | 第54-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-60页 |
| 6.1 主要结论 | 第59页 |
| 6.2 未来的工作 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间发表的学术论文 | 第65页 |