基于特征融合的行人检测器改进研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-15页 |
| 1.1 研究的背景和意义 | 第7-9页 |
| 1.2 国内外研究现状及发展趋势 | 第9-13页 |
| 1.2.1 行人检测分类 | 第10-11页 |
| 1.2.2 行人检测研究现状 | 第11-12页 |
| 1.2.3 行人检测的前景和难点 | 第12-13页 |
| 1.3 本文的研究内容和章节组织 | 第13-15页 |
| 第2章 行人检测器 | 第15-29页 |
| 2.1 行人检测器概述 | 第15-16页 |
| 2.2 特征提取 | 第16-23页 |
| 2.2.1 底层特征 | 第16-21页 |
| 2.2.2 融合特征 | 第21-23页 |
| 2.3 分类器 | 第23-28页 |
| 2.3.1 AdaBoost算法 | 第23-26页 |
| 2.3.2 支持向量机（SVM） | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于特征融合的行人检测器改进 | 第29-41页 |
| 3.1 可快速计算特征 | 第29-36页 |
| 3.1.1 Haar-like特征 | 第29-30页 |
| 3.1.2 近似HOG特征 | 第30-32页 |
| 3.1.3 近似CSS特征 | 第32页 |
| 3.1.4 融合特征库 | 第32-34页 |
| 3.1.5 分类器构造 | 第34-36页 |
| 3.2 实验仿真 | 第36-39页 |
| 3.2.1 训练数据及参数设置 | 第36-37页 |
| 3.2.2 性能评价指标 | 第37-38页 |
| 3.2.3 不同特征贡献分析 | 第38-39页 |
| 3.2.4 与经典检测方法对比 | 第39页 |
| 3.3 本章小结 | 第39-41页 |
| 第4章 基于尺度近似的HOG检测空间加速 | 第41-48页 |
| 4.1 采样图像的梯度直方图近似 | 第41-43页 |
| 4.1.1 上采样图像的梯度直方图近似 | 第42页 |
| 4.1.2 下采样图像的梯度直方图近似 | 第42-43页 |
| 4.2 多尺度近似 | 第43-44页 |
| 4.2.1 尺度近似 | 第43页 |
| 4.2.2 图像金字塔结构的构建 | 第43-44页 |
| 4.3 实验仿真 | 第44-47页 |
| 4.3.1 采样图像近似实验验证 | 第44-46页 |
| 4.3.2 HOG特征金字塔实验对比 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 行人检测系统的实现 | 第48-53页 |
| 5.1 开发环境简介 | 第48-49页 |
| 5.2 软件平台的界面 | 第49-50页 |
| 5.3 软件平台的功能及展示 | 第50-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 发表论文和参加科研情况说明 | 第58-59页 |
| 致谢 | 第59-60页 |
