| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 行人检测的背景和意义 | 第15-16页 |
| 1.2 行人检测的国内外研究现状 | 第16-18页 |
| 1.2.1 基于运动的方法 | 第16-17页 |
| 1.2.2 基于形态的方法 | 第17-18页 |
| 1.3 本文研究内容 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第二章 行人检测的主要技术分析 | 第21-45页 |
| 2.1 基于统计分类的行人检测 | 第21-22页 |
| 2.2 行人特征的描述 | 第22-31页 |
| 2.2.1 类Haar特征 | 第22-26页 |
| 2.2.2 梯度方向直方图（HOG）特征 | 第26-31页 |
| 2.3 行人检测中常用分类算法 | 第31-38页 |
| 2.3.1 人工神经网络 | 第31-33页 |
| 2.3.2 支持向量机(SVM) | 第33-35页 |
| 2.3.3 AdaBoost学习 | 第35-37页 |
| 2.3.4 分类算法对比 | 第37-38页 |
| 2.4 常用的运动检测算法 | 第38-43页 |
| 2.4.1 背景减除法 | 第38-39页 |
| 2.4.2 帧间差分法 | 第39-41页 |
| 2.4.3 光流法 | 第41-42页 |
| 2.4.4 运动检测算法对比 | 第42-43页 |
| 2.5 本章小结 | 第43-45页 |
| 第三章 多特征的行人快速检测算法 | 第45-61页 |
| 3.1 多特征融合的研究 | 第45-46页 |
| 3.2 HOG特征的改进 | 第46-52页 |
| 3.2.1 HOG特征计算方式的改进 | 第46-49页 |
| 3.2.2 利用GPU加速HOG特征值的计算 | 第49-52页 |
| 3.3 行人检测中类Haar特征的构造 | 第52-57页 |
| 3.2.1 类Haar特征的计算 | 第53-55页 |
| 3.2.2 利用AdaBoost构造类Haar特征分类器 | 第55-57页 |
| 3.4 特征级联方式的研究 | 第57-58页 |
| 3.5 基于运动信息的特征提取 | 第58-60页 |
| 3.6 本章小结 | 第60-61页 |
| 第四章 实验分析与结果 | 第61-71页 |
| 4.1 数据集选择 | 第61-62页 |
| 4.2 分类器训练 | 第62-66页 |
| 4.3 视频中的行人检测 | 第66-69页 |
| 4.4 本章小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 工作总结 | 第71页 |
| 5.2 工作展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |