| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 行人检测技术研究现状及发展趋势 | 第11-15页 |
| 1.2.1 特征提取算法发展状况 | 第13页 |
| 1.2.2 分类识别算法发展状况 | 第13-15页 |
| 1.3 常用行人检测数据库 | 第15页 |
| 1.4 基于ZYNQ的行人检测系统的研究难点 | 第15-16页 |
| 1.5 论文主要内容及结构 | 第16-18页 |
| 第2章 基于ZYNQ的行人检测系统的总体结构 | 第18-28页 |
| 2.1 系统总体结构 | 第18-19页 |
| 2.2 开发平台 | 第19-25页 |
| 2.2.1 ZedBoard开发板 | 第19-21页 |
| 2.2.2 ZYNQ芯片简介 | 第21-23页 |
| 2.2.3 HDMI接口 | 第23-24页 |
| 2.2.4 DDR3控制器 | 第24-25页 |
| 2.3 开发工具XPS和Vivado HLS | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 行人检测相关算法 | 第28-46页 |
| 3.1 图像预处理 | 第28-30页 |
| 3.1.1 图像缩放 | 第29页 |
| 3.1.2 灰度化 | 第29-30页 |
| 3.1.3 图像边缘特征提取 | 第30页 |
| 3.2 常用的行人特征提取算法 | 第30-35页 |
| 3.2.1 Haar-like特征 | 第31-32页 |
| 3.2.2 HOG特征 | 第32-33页 |
| 3.2.3 LBP特征算子 | 第33-34页 |
| 3.2.4 CENTRIST特征 | 第34-35页 |
| 3.3 常用行人检测分类识别算法 | 第35-43页 |
| 3.3.1 人工神经网络算法分类器 | 第36-37页 |
| 3.3.2 AdaBoost算法分类器 | 第37-39页 |
| 3.3.3 SVM算法分类器 | 第39-43页 |
| 3.4 窗口融合算法 | 第43-44页 |
| 3.5 基于CENTRIST+SVM的行人检测 | 第44-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 基于ZYNQ的行人检测系统实现 | 第46-66页 |
| 4.1 基于ZYNQ的行人检测系统硬件工程设计 | 第46-54页 |
| 4.1.1 AXI接口 | 第48-50页 |
| 4.1.2 AXI VDMA配置 | 第50-52页 |
| 4.1.3 硬件加速模块IP核设计 | 第52-54页 |
| 4.2 嵌入式开发环境搭建 | 第54-57页 |
| 4.2.1 制作Linux内核、设备树、根文件系统 | 第55-56页 |
| 4.2.2 QT和OpenCV移植 | 第56-57页 |
| 4.3 基于ZYNQ的行人检测系统软件工程设计 | 第57-64页 |
| 4.3.1 训练分类器 | 第58-60页 |
| 4.3.2 VDMA IP核的驱动设计 | 第60-62页 |
| 4.3.3 制作软件工程可执行文件 | 第62-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第5章 系统调试与实验结果分析 | 第66-78页 |
| 5.1 系统调试 | 第66-68页 |
| 5.2 实验结果分析 | 第68-76页 |
| 5.2.1 硬件加速 | 第68-70页 |
| 5.2.2 系统测试与分析 | 第70-76页 |
| 5.3 本章小结 | 第76-78页 |
| 第6章 总结与展望 | 第78-80页 |
| 6.1 总结 | 第78-79页 |
| 6.2 展望 | 第79-80页 |
| 参考文献 | 第80-85页 |
| 致谢 | 第85-86页 |
| 作者简介 | 第86页 |