| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 论文研究背景及意义 | 第10-11页 |
| 1.2 行人检测与追踪研究现状 | 第11-15页 |
| 1.3 本文主要工作与组织结构 | 第15-17页 |
| 第2章 行人特征概述 | 第17-24页 |
| 2.1 方向梯度直方图 | 第17-19页 |
| 2.2 相位一致性 | 第19-22页 |
| 2.2.1 相位一致性函数 | 第20-21页 |
| 2.2.2 PC-HOG特征 | 第21-22页 |
| 2.3 本章小结 | 第22-24页 |
| 第3章 特征学习算法 | 第24-34页 |
| 3.1 AdaBoost算法简介 | 第24-28页 |
| 3.1.1 弱分类器学习 | 第24-25页 |
| 3.1.2 AdaBoost算法步骤 | 第25-26页 |
| 3.1.3 AdaBoost扩展算法概述 | 第26-28页 |
| 3.2 支持向量机 | 第28-33页 |
| 3.2.1 线性分类 | 第28-29页 |
| 3.2.2 间隔 | 第29-31页 |
| 3.2.3 数据线性不可分与噪声处理 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 行人运动前景提取与追踪算法 | 第34-49页 |
| 4.1 行人运动前景提取算法 | 第34-39页 |
| 4.1.1 K-Means聚类算法 | 第34-36页 |
| 4.1.2 帧差法 | 第36-37页 |
| 4.1.3 高斯模型 | 第37-39页 |
| 4.2 行人追踪算法 | 第39-48页 |
| 4.2.1 Mean Shift算法 | 第39-43页 |
| 4.2.2 卡尔曼滤波 | 第43-45页 |
| 4.2.3 融合Kalman与Mean-shift的目标追踪 | 第45-47页 |
| 4.2.4 融合Mean Shift与粒子滤波的目标跟踪 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第5章 行人检测与追踪实验分析 | 第49-60页 |
| 5.1 静态图片中的行人检测 | 第49-55页 |
| 5.1.1 二值图像HOG检测 | 第49-50页 |
| 5.1.2 PC-HOG特征检测 | 第50-55页 |
| 5.2 动态场景中的行人追踪与检测 | 第55-59页 |
| 5.3 本章小结 | 第59-60页 |
| 结论与展望 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第67页 |