基于Adaboost算法的行人检测方法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-21页 |
| ·行人检测概述 | 第7-10页 |
| ·研究背景和意义 | 第7-8页 |
| ·研究内容和现状 | 第8-10页 |
| ·集成学习与Adaboost算法 | 第10-19页 |
| ·集成学习 | 第10-14页 |
| ·弱分类器 | 第11页 |
| ·集成方法 | 第11-13页 |
| ·集成学习算法 | 第13-14页 |
| ·Adaboost算法 | 第14-19页 |
| ·Adaboost算法的收敛性能 | 第15-17页 |
| ·Adaboost算法的泛化能力 | 第17-19页 |
| ·本文主要研究内容及结构安排 | 第19-21页 |
| 第二章 Adaboost权重更新算法 | 第21-35页 |
| ·引言 | 第21页 |
| ·从样本集归一化角度进行分析 | 第21-27页 |
| ·全局归一的方法 | 第21页 |
| ·类内归一的方法 | 第21-22页 |
| ·两种归一化方法比较 | 第22-27页 |
| ·初始样本重视度的比值对类内归一方法的影响 | 第23-25页 |
| ·全局归一和类内归一方法的比较 | 第25-27页 |
| ·从样本权重更新角度进行分析 | 第27-32页 |
| ·新的样本权重更新方法 | 第27-28页 |
| ·本文扩展的样本权重更新方法 | 第28页 |
| ·仿真分析 | 第28-32页 |
| ·FNR和FPR对新的样本权重更新方法的影响 | 第28-30页 |
| ·调节因子K对新的样本权重更新方法的影响 | 第30-32页 |
| ·阈值自适应的权重更新方法 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 基于新特征的行人检测 | 第35-51页 |
| ·引言 | 第35页 |
| ·样本库的建立 | 第35-37页 |
| ·原始矩形特征 | 第37-39页 |
| ·三角特征 | 第39-42页 |
| ·三角特征的提出 | 第39-40页 |
| ·三角特征的计算 | 第40-42页 |
| ·复合特征 | 第42-43页 |
| ·复合特征的提出 | 第42-43页 |
| ·复合特征的计算 | 第43页 |
| ·原始矩形特征值计算方法的改变 | 第43-44页 |
| ·特征分析 | 第44-50页 |
| ·弱分类器设计 | 第44-45页 |
| ·仿真分析 | 第45-50页 |
| ·弱分类器训练分析 | 第47-49页 |
| ·强分类器训练分析 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 在线更新的实时行人检测系统 | 第51-57页 |
| ·引言 | 第51页 |
| ·级联分类器 | 第51-54页 |
| ·级连分类器介绍 | 第51-52页 |
| ·级连分类器分析 | 第52-54页 |
| ·在线更新的行人检测系统 | 第54-55页 |
| ·行人检测系统框架 | 第54-55页 |
| ·检测结果分析 | 第55页 |
| ·本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-60页 |
| ·本文总结 | 第57-58页 |
| ·未来工作展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间发表的学术论文、从事的基金项目 | 第65-66页 |
| 1.发表的学术论文 | 第65页 |
| 2.从事的基金项目 | 第65-66页 |
| 致谢 | 第66-67页 |
