基于梯度特征和纹理特征的行人检测
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景与意义 | 第9页 |
| 1.2 国内外研究情况 | 第9-12页 |
| 1.3 行人检测中常用处理机制 | 第12-13页 |
| 1.4 本文章节安排 | 第13-15页 |
| 第二章 行人检测概述 | 第15-23页 |
| 2.1 行人检测概念 | 第15-16页 |
| 2.2 图像特征提取 | 第16-21页 |
| 2.2.1 LBP纹理特征 | 第16-19页 |
| 2.2.2 图像的梯度直方图特征 | 第19-21页 |
| 2.3 K-SVD算法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于PCA和K-SVD的行人检测 | 第23-34页 |
| 3.1 基于PCA和K-SVD的特征降维 | 第23-24页 |
| 3.2 实验过程 | 第24-33页 |
| 3.2.1 INRIA数据库 | 第24-25页 |
| 3.2.2 初级特征向量 | 第25-26页 |
| 3.2.3 基于PCA低维特征的行人检测 | 第26-30页 |
| 3.2.4 基于K-SVD的行人检测 | 第30-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 基于组合特征的行人检测 | 第34-46页 |
| 4.1 不同投影组合特征的检测结果 | 第34-37页 |
| 4.2 纹理特征和梯度特征组合的表现 | 第37-38页 |
| 4.3 在Daimler数据库上的实验 | 第38-42页 |
| 4.4 检测评价 | 第42-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 5.1 本文工作总结 | 第46页 |
| 5.2 未来研究展望 | 第46-48页 |
| 参考文献 | 第48-53页 |
| 致谢 | 第53-54页 |
| 攻读学位期间的研究成果 | 第54页 |
