| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 行人检测技术的研究现状 | 第11-13页 |
| 1.3 研究难点 | 第13-15页 |
| 1.4 本文的研究内容和论文结构 | 第15-17页 |
| 第二章 行人检测研究方法综述 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 图像特征 | 第17-22页 |
| 2.2.1 Haar-like 特征 | 第18-19页 |
| 2.2.2 HOG 特征 | 第19-22页 |
| 2.3 行人检测方法研究 | 第22-24页 |
| 2.3.1 基于模板匹配的方法 | 第22-23页 |
| 2.3.2 基于统计学习的方法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 行人检测中的分类算法研究 | 第25-36页 |
| 3.1 引言 | 第25页 |
| 3.2 支持向量机 | 第25-29页 |
| 3.2.1 线性可分情形 | 第26-28页 |
| 3.2.2 非线性情况 | 第28-29页 |
| 3.3 Adaboost 算法 | 第29-35页 |
| 3.3.1 集成学习方法 | 第29-30页 |
| 3.3.2 Bagging 算法 | 第30-31页 |
| 3.3.3 Boosting 算法 | 第31-32页 |
| 3.3.4 Adaboost 算法基本原理 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于混合特征和 Adaboost 的行人检测 | 第36-52页 |
| 4.1 引言 | 第36页 |
| 4.2 基于 Adaboost 的行人检测系统框架 | 第36-37页 |
| 4.3 样本集的构建 | 第37-39页 |
| 4.4 混合特征集构建 | 第39-42页 |
| 4.4.1 Haar-Like 特征集构建 | 第39-41页 |
| 4.4.2 基于块大小可变的 HOG 特征扩展 | 第41-42页 |
| 4.4.3 基于 Fisher 准则的 HOG 特征选择 | 第42页 |
| 4.5 Adaboost 学习算法 | 第42-46页 |
| 4.5.1 弱分类器构建 | 第43页 |
| 4.5.2 Adaboost 强分类器 | 第43页 |
| 4.5.3 级联分类器 | 第43-46页 |
| 4.6 后处理策略 | 第46-47页 |
| 4.7 实验结果与分析 | 第47-51页 |
| 4.7.1 性能评价指标 | 第47-48页 |
| 4.7.2 实验结果分析 | 第48-51页 |
| 4.8 本章小结 | 第51-52页 |
| 第五章 基于连续 Adaboost 的行人检测研究 | 第52-58页 |
| 5.1 连续 Adaboost 的算法流程 | 第52-54页 |
| 5.2 连续 Adaboost 中查找表型弱分类器构建 | 第54-55页 |
| 5.3 实验结果与分析 | 第55-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第63-64页 |
| 致谢 | 第64页 |
