| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 行人检测技术研究现状 | 第11-12页 |
| 1.3 行人跟踪技术研究现状 | 第12-14页 |
| 1.4 本文研究内容和结构 | 第14-16页 |
| 第2章 基于HOG特征和改进的YOLO模型行人检测 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 基于HOG特征的行人检测方法 | 第16-19页 |
| 2.2.1 SVM分类器 | 第16-17页 |
| 2.2.2 HOG特征算法原理描述 | 第17-19页 |
| 2.3 基于改进的YOLO算法的快速行人检测方法 | 第19-23页 |
| 2.3.1 YOLO模型检测算法原理 | 第19-21页 |
| 2.3.2 改进的YOLO模型检测算法原理 | 第21-23页 |
| 2.4 算法的比较实验 | 第23-29页 |
| 2.4.1 HOG特征算法行人检测数据集结果 | 第23-26页 |
| 2.4.2 改进的YOLO模型检测算法的行人检测实验 | 第26-28页 |
| 2.4.3 算法对比实验分析 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于MeanShift和KCF算法的行人跟踪 | 第30-56页 |
| 3.1 引言 | 第30页 |
| 3.2 基于MeanShift算法的行人跟踪 | 第30-32页 |
| 3.2.1 MeanShift算法理论思想 | 第30-32页 |
| 3.3 基于Kalman滤波改进的Camshift算法的行人跟踪 | 第32-36页 |
| 3.3.1 Camshift算法理论思想 | 第32-35页 |
| 3.3.2 Kalman滤波算法理论思想 | 第35-36页 |
| 3.4 基于KCF算法的行人跟踪方法 | 第36-40页 |
| 3.4.1 KCF算法理论思想 | 第36-40页 |
| 3.5 算法的比较实验 | 第40-53页 |
| 3.5.1 数据集上行人跟踪实验 | 第40-45页 |
| 3.5.2 室内场景下行人跟踪实验 | 第45-53页 |
| 3.6 室内场景下行人检测与跟踪实验 | 第53-54页 |
| 3.7 本章小结 | 第54-56页 |
| 第4章 Nao机器人平台下的行人检测与跟踪实验 | 第56-68页 |
| 4.1 引言 | 第56页 |
| 4.2 Nao机器人硬件及软件介绍 | 第56-59页 |
| 4.2.1 Nao机器人硬件平台介绍 | 第56-58页 |
| 4.2.2 Nao机器人软件平台介绍 | 第58-59页 |
| 4.3 Nao机器人的视觉系统 | 第59-61页 |
| 4.4 实验过程与结果分析 | 第61-66页 |
| 4.4.1 算法选择说明 | 第61-62页 |
| 4.4.2 实验过程 | 第62-65页 |
| 4.4.3 结果分析 | 第65-66页 |
| 4.5 本章小结 | 第66-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间所发表的学术论文 | 第76-78页 |
| 致谢 | 第78页 |
