基于支持向量机的行人检测
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-12页 |
| 1 引言 | 第12-22页 |
| ·行人检测的背景与意义 | 第12-14页 |
| ·行人检测的研究现状 | 第14-17页 |
| ·基于整体的行人检测方法 | 第14-16页 |
| ·基于部件的行人检测方法 | 第16-17页 |
| ·行人检测的难点 | 第17-20页 |
| ·行人检测算法存在的难点 | 第17-18页 |
| ·为什么不用背景建模的方法 | 第18-20页 |
| ·研究内容及结构安排 | 第20-22页 |
| 2 行人特征简述 | 第22-36页 |
| ·类HAAR特征 | 第22-27页 |
| ·创建类Haar特征集 | 第23-25页 |
| ·Haar特征的快速计算 | 第25-27页 |
| ·LBP特征 | 第27-30页 |
| ·LBP的一般形式 | 第27-28页 |
| ·LBP的uniform形式 | 第28-29页 |
| ·创建类LBP特征集 | 第29-30页 |
| ·SIFT特征 | 第30-32页 |
| ·图像梯度特征 | 第31页 |
| ·SIFT特征计算 | 第31-32页 |
| ·HOG特征 | 第32-35页 |
| ·HOG特征的计算 | 第32-33页 |
| ·HOG特征的提取算法改进 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 3 支持向量机理论及应用 | 第36-46页 |
| ·概述 | 第36页 |
| ·统计学习理论 | 第36-39页 |
| ·经验风险最小化原则 | 第36-37页 |
| ·函数集的VC维及泛化能力 | 第37-38页 |
| ·一致收敛的速度 | 第38页 |
| ·结构风险最小化 | 第38-39页 |
| ·支持向量机 | 第39-45页 |
| ·支持向量机原理 | 第39-41页 |
| ·线性可分情形 | 第41-42页 |
| ·线性不可分情况 | 第42-43页 |
| ·特征空间与核函数 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 4 基于图像的行人检测 | 第46-62页 |
| ·用SVM训练行人分类器 | 第46-52页 |
| ·训练库与测试库 | 第46-48页 |
| ·HOG-LBP特征的计算 | 第48-51页 |
| ·SVM的训练 | 第51-52页 |
| ·训练结果评测 | 第52-53页 |
| ·评测方法 | 第52-53页 |
| ·评测结果及分析 | 第53页 |
| ·多尺度滑窗检测图像中的行人 | 第53-55页 |
| ·检测窗口融合 | 第55-59页 |
| ·判断两个正值窗口属于同一个人的条件 | 第57-58页 |
| ·并查集 | 第58-59页 |
| ·并查集应用于检测窗口融合 | 第59页 |
| ·本章小结 | 第59-62页 |
| 5 基于视频的快速行人检测 | 第62-70页 |
| ·帧差法 | 第62-66页 |
| ·帧差法基本思想 | 第63-64页 |
| ·基于MHI帧差更新的运动目标检测算法原理 | 第64-66页 |
| ·获得待检测区域 | 第66-67页 |
| ·SVM行人分类器用于视频行人检测 | 第67-68页 |
| ·本章小结 | 第68-70页 |
| 6 总结与工作展望 | 第70-74页 |
| ·工作总结 | 第70-71页 |
| ·工作展望 | 第71-74页 |
| 参考文献 | 第74-78页 |
| 作者简历 | 第78-82页 |
| 学位论文数据集 | 第82页 |
