| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 1 绪论 | 第16-26页 |
| 1.1 智能交通系统概述 | 第16-17页 |
| 1.2 智能交通监控系统 | 第17-18页 |
| 1.3 智能交通中的目标检测与分类 | 第18-23页 |
| 1.3.1 标检测方法概述 | 第18-21页 |
| 1.3.2 目标分类方法概述 | 第21-23页 |
| 1.4 论文的主要工作和论文的组织结构 | 第23-26页 |
| 2 基于对称性的局部二进制特征MS-LBP的行人检测 | 第26-50页 |
| 2.1 引言 | 第26-28页 |
| 2.2 目标检测中常见的特征 | 第28-30页 |
| 2.2.1 Haar-like特征 | 第28-29页 |
| 2.2.2 HOG特征 | 第29-30页 |
| 2.2.3 LBP特征 | 第30页 |
| 2.3 MS-LBP特征 | 第30-32页 |
| 2.4 基于AdaBoost的目标检测 | 第32-38页 |
| 2.4.1 Boosted MS-LBP特征及其积分图 | 第33页 |
| 2.4.2 弱分类器的构造 | 第33-35页 |
| 2.4.3 分类器训练步骤 | 第35-36页 |
| 2.4.4 级联分类器 | 第36-38页 |
| 2.5 特征融合 | 第38-39页 |
| 2.5.1 单一AdaBoost训练机制 | 第38-39页 |
| 2.5.2 双AdaBoost训练机制 | 第39页 |
| 2.6 实验 | 第39-46页 |
| 2.6.1 实验设置及评估方法 | 第39-41页 |
| 2.6.2 实验结果和分析 | 第41-46页 |
| 2.7 本章小结 | 第46-50页 |
| 3 基于均匀局部二进制特征CoGMuLBP的行人和车辆检测 | 第50-60页 |
| 3.1 引言 | 第50-51页 |
| 3.2 CoGMuLBP特征 | 第51-54页 |
| 3.2.1 均匀LBP模式 | 第51-52页 |
| 3.2.2 CoGMuLBP特征 | 第52-54页 |
| 3.3 加权的CoGMuLBP特征 | 第54-55页 |
| 3.4 实验结果及分析 | 第55-57页 |
| 3.4.1 行人检测 | 第55-56页 |
| 3.4.2 车辆检测 | 第56-57页 |
| 3.5 本章小结 | 第57-60页 |
| 4 基于子空间学习的Boosting算法的目标分类 | 第60-80页 |
| 4.1 引言 | 第60-61页 |
| 4.2 相关工作 | 第61-62页 |
| 4.3 Boosting中的半监督子空间学习 | 第62-64页 |
| 4.3.1 Boosting-like算法框架 | 第62-63页 |
| 4.3.2 算法框架的有效性 | 第63-64页 |
| 4.4 基于SDA/TR-FSDA的Boosting算法 | 第64-70页 |
| 4.4.1 LDA,SDA和TR-FSDA | 第64-66页 |
| 4.4.2 基于SDA/TR-FSDA的Boosting算法 | 第66-68页 |
| 4.4.3 基于SDA/TR-FSDA的加权Boosting算法 | 第68-69页 |
| 4.4.4 基于SDA/TR-FSDA/LDA的半监督Boosting算法 | 第69-70页 |
| 4.5 基于SELF的Boosting算法 | 第70-72页 |
| 4.5.1 基于LFDA的Boosting算法 | 第71-72页 |
| 4.5.2 基于SELF的Boosting算法 | 第72页 |
| 4.6 算法分析 | 第72-74页 |
| 4.7 实验 | 第74-78页 |
| 4.7.1 人工生成数据 | 第74页 |
| 4.7.2 实验设计 | 第74-76页 |
| 4.7.3 分类结果和讨论 | 第76-78页 |
| 4.8 本章小结 | 第78-80页 |
| 5 全文总结及展望 | 第80-84页 |
| 5.1 研究工作总结 | 第80-81页 |
| 5.2 展望 | 第81-84页 |
| 致谢 | 第84-86页 |
| 参考文献 | 第86-102页 |
| 附录1：利用Universum数据的Boosting算法 | 第102-110页 |
| 附录2：攻读博士学位期间学术成果 | 第110-111页 |
