结合深度信息的行人检测技术研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 论文研究背景 | 第11-12页 |
| 1.2 论文的研究意义 | 第12-14页 |
| 1.3 研究现状和趋势 | 第14-17页 |
| 1.3.1 宏观行人检测 | 第14-15页 |
| 1.3.2 微观行人检测 | 第15-16页 |
| 1.3.3 深度图像在智能视频分析中的应用 | 第16-17页 |
| 1.4 本文主要研究内容 | 第17-18页 |
| 1.5 论文的结构安排 | 第18-19页 |
| 第二章 行人检测相关技术研究综述 | 第19-33页 |
| 2.1 目标检测理论框架概述 | 第19-20页 |
| 2.2 前景与背景分割方法 | 第20-24页 |
| 2.2.1 混合高斯模型 | 第21-22页 |
| 2.2.2 VIBE模型 | 第22-24页 |
| 2.3 特征提取与描述方法 | 第24-28页 |
| 2.3.1 图像的特征 | 第24-25页 |
| 2.3.2 特征提取方法 | 第25-28页 |
| 2.4 统计分类方法 | 第28-30页 |
| 2.4.1 贝叶斯分类 | 第28页 |
| 2.4.2 支持向量机 | 第28-29页 |
| 2.4.3 决策树 | 第29-30页 |
| 2.5 深度图像相关技术 | 第30-33页 |
| 2.5.1 深度图像的获取方法 | 第30-31页 |
| 2.5.2 深度图像的表示 | 第31-33页 |
| 第三章 结合深度信息的行人检测和跟踪方法 | 第33-54页 |
| 3.1 引言 | 第33-34页 |
| 3.2 基于头部轮廓的检测方法 | 第34-45页 |
| 3.2.1 算法概述 | 第34-35页 |
| 3.2.2 深度图像预处理 | 第35-36页 |
| 3.2.3 运动前景提取 | 第36-37页 |
| 3.2.4 提取候选头部区域 | 第37-43页 |
| 3.2.5 去除伪头部 | 第43-45页 |
| 3.3 基于深度信息的行人跟踪方法 | 第45-48页 |
| 3.3.1 传统camshift原理 | 第45-46页 |
| 3.3.2 基于深度信息的Camshift算法 | 第46-48页 |
| 3.4 实验结果与分析 | 第48-52页 |
| 3.4.1 实验数据 | 第48-49页 |
| 3.4.2 实验结果与分析 | 第49-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第四章 基于头肩深度特征的行人检测算法 | 第54-67页 |
| 4.1 算法框架概述 | 第54-59页 |
| 4.1.1 类Haar特征 | 第55-56页 |
| 4.1.2 积分图 | 第56-58页 |
| 4.1.3 adaboost算法概述 | 第58-59页 |
| 4.2 候选头肩区域提取 | 第59-62页 |
| 4.3 训练头肩分类器 | 第62-64页 |
| 4.3.1 构建训练样本集 | 第62页 |
| 4.3.2 训练分类器 | 第62-64页 |
| 4.4 实验结果及分析 | 第64-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 本文工作总结 | 第67页 |
| 5.2 未来工作展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士期间学术成果 | 第74页 |
