| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 行人目标检测研究现状 | 第10-12页 |
| 1.2.2 行人目标跟踪研究现状 | 第12-14页 |
| 1.3 本文组织结构 | 第14-15页 |
| 2 行人目标检测和跟踪算法与实验数据库 | 第15-22页 |
| 2.1 行人检测常用算法 | 第15-17页 |
| 2.1.1 基于特征匹配的行人检测 | 第15页 |
| 2.1.2 基于AdaBoost分类器的行人检测 | 第15-17页 |
| 2.2 行人跟踪常用算法 | 第17-20页 |
| 2.2.1 核相关的跟踪算法 | 第17-18页 |
| 2.2.2 基于时空上下文的目标跟踪算法 | 第18-20页 |
| 2.3 行人检测数据库 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 行人检测算法研究 | 第22-32页 |
| 3.1 基于自编码神经网络和AdaBoost分类器的行人检测 | 第22-27页 |
| 3.1.1 HOG特征提取 | 第22-24页 |
| 3.1.2 基于自编码神经网络的数据降维 | 第24-26页 |
| 3.1.3 行人检测及其框架 | 第26-27页 |
| 3.2 实验与结果分析 | 第27-30页 |
| 3.2.1 实验数据集 | 第27页 |
| 3.2.2 行人检测评价方法 | 第27-28页 |
| 3.2.3 参数设置 | 第28-29页 |
| 3.2.4 结果分析 | 第29-30页 |
| 3.3 本章小结 | 第30-32页 |
| 4 基于自适应多特征协同学习的目标跟踪算法 | 第32-44页 |
| 4.1 Harr-like特征提取 | 第32-35页 |
| 4.2 协同学习 | 第35-36页 |
| 4.3 多特征协同学习模型框架 | 第36-38页 |
| 4.4 自适应模型更新 | 第38页 |
| 4.5 实验结果及分析 | 第38-42页 |
| 4.5.1 数据集与参数设定 | 第38-39页 |
| 4.5.2 结果分析 | 第39-42页 |
| 4.6 本章小结 | 第42-44页 |
| 5 结论与展望 | 第44-46页 |
| 5.1 结论 | 第44-45页 |
| 5.2 展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 作者简介 | 第50-51页 |
| 致谢 | 第51-52页 |
| 详细摘要 | 第52-53页 |