基于积分通道特征的行人检测方法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 选题背景及意义 | 第10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 研究内容与课题来源 | 第12页 |
| 1.4 本论文的结构安排 | 第12-13页 |
| 第二章 行人检测相关技术 | 第13-21页 |
| 2.1 行人检测概述 | 第13-15页 |
| 2.1.1 特征提取 | 第14页 |
| 2.1.2 机器学习算法 | 第14页 |
| 2.1.3 检测策略 | 第14-15页 |
| 2.2 流行的目标检测框架 | 第15-18页 |
| 2.2.1 Viola-Jones框架 | 第15-16页 |
| 2.2.2 梯度方向直方图 | 第16-18页 |
| 2.2.3 卷积神经网络 | 第18页 |
| 2.3 数据集 | 第18-19页 |
| 2.4 行人检测评价标准 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 积分通道特征 | 第21-25页 |
| 3.1 图像通道 | 第21-23页 |
| 3.2 积分图像 | 第23-24页 |
| 3.3 本章小结 | 第24-25页 |
| 第四章 AdaBoost算法 | 第25-31页 |
| 4.1 AdaBoost算法 | 第25-26页 |
| 4.2 弱分类器 | 第26-28页 |
| 4.3 强分类器 | 第28-29页 |
| 4.4 强分类器的级联 | 第29-30页 |
| 4.5 本章小结 | 第30-31页 |
| 第五章 构建特征池 | 第31-39页 |
| 5.1 基线分类器 | 第31-33页 |
| 5.2 特征池 | 第33-34页 |
| 5.3 随机选择特征 | 第34页 |
| 5.4 精选特征 | 第34-37页 |
| 5.5 特征数量 | 第37-38页 |
| 5.6 本章小结 | 第38-39页 |
| 第六章 多分类器检测 | 第39-47页 |
| 6.1 特征值 | 第39-41页 |
| 6.2 多分类器检测 | 第41-42页 |
| 6.3 对比实验 | 第42-45页 |
| 6.3.1 Caltech数据集对比试验 | 第43-44页 |
| 6.3.2 INRIA数据集对比试验 | 第44-45页 |
| 6.4 检测效果示例 | 第45-46页 |
| 6.5 本章小结 | 第46-47页 |
| 第七章 总结与展望 | 第47-49页 |
| 7.1 主要结论 | 第47页 |
| 7.2 下一步工作 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52页 |
