巡逻机器人中的行人检测技术研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外行人检测研究现状 | 第10-12页 |
| 1.3 行人检测研究难点 | 第12-14页 |
| 1.4 主要研究内容和结构安排 | 第14-16页 |
| 1.4.1 研究内容 | 第14-15页 |
| 1.4.2 结构安排 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 行人检测相关理论与概念 | 第17-33页 |
| 2.1 引言 | 第17-18页 |
| 2.2 常用公开行人数据库 | 第18-20页 |
| 2.2.1 MIT数据库 | 第18页 |
| 2.2.2 INRIA数据库 | 第18-19页 |
| 2.2.3 Caltech数据库 | 第19页 |
| 2.2.4 其它数据库 | 第19-20页 |
| 2.3 行人特征描述 | 第20-25页 |
| 2.3.1 Haar特征 | 第20-21页 |
| 2.3.2 Edgelet特征 | 第21-22页 |
| 2.3.3 HOG特征 | 第22-25页 |
| 2.4 分类算法 | 第25-30页 |
| 2.4.1 支持向量机 | 第26-28页 |
| 2.4.2 Adaboost分类器 | 第28-29页 |
| 2.4.3 CNN分类算法 | 第29-30页 |
| 2.5 行人检测评价标准 | 第30-32页 |
| 2.5.1 静态指标 | 第30-31页 |
| 2.5.2 ROC曲线 | 第31页 |
| 2.5.3 DET曲线 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 基于多特征融合的行人检测方法 | 第33-48页 |
| 3.1 引言 | 第33-34页 |
| 3.2 改进的HOG特征和特征融合 | 第34-42页 |
| 3.2.1 改进三线性差值的HOG提取 | 第34-37页 |
| 3.2.2 LBP特征提取 | 第37-39页 |
| 3.2.3 PCA特征降维 | 第39-41页 |
| 3.2.4 特征信息融合 | 第41-42页 |
| 3.3 实验过程及结果分析 | 第42-47页 |
| 3.3.1 建立样本库 | 第42-43页 |
| 3.3.2 难样本处理 | 第43-44页 |
| 3.3.3 结果分析 | 第44-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 行人目标的快速实时性检测方法 | 第48-61页 |
| 4.1 引言 | 第48页 |
| 4.2 基于积分图的HOG快速检测 | 第48-49页 |
| 4.3 基于ViBE算法的快速检测 | 第49-52页 |
| 4.4 提取头肩部特征的快速检测 | 第52-57页 |
| 4.4.1 快速多尺度缩放计算 | 第53-56页 |
| 4.4.2 头肩部检测框融合 | 第56-57页 |
| 4.5 实验过程及结果分析 | 第57-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第5章 行人检测系统的设计 | 第61-65页 |
| 5.1 系统概述 | 第61页 |
| 5.2 系统设计与功能 | 第61-63页 |
| 5.2.1 硬件部分 | 第62页 |
| 5.2.2 软件部分 | 第62-63页 |
| 5.3 客户端界面及操作 | 第63-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 主要工作 | 第65-66页 |
| 6.2 后续工作 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第74页 |
