| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究难点 | 第11-15页 |
| 1.3 研究现状 | 第15-18页 |
| 1.3.1 两种目标检测策略 | 第15-16页 |
| 1.3.2 基于原图的特征和基于梯度的特征 | 第16-17页 |
| 1.3.3 动物检测研究成果 | 第17-18页 |
| 1.4 论文结构 | 第18-19页 |
| 第二章 基于机器学习的动物检测 | 第19-42页 |
| 2.1 基于整体特征的方法 | 第19-31页 |
| 2.1.1 基于原图的特征 | 第19-22页 |
| 2.1.2 基于梯度的特征 | 第22-31页 |
| 2.2 基于多部位的方法 | 第31-35页 |
| 2.3 由粗到精的级联分类器 | 第35-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第三章 基于Adaboost 的粗分类器 | 第42-53页 |
| 3.1 Haar-like 特征和积分图 | 第42-45页 |
| 3.2 基于LUT 的Adaboost 分类方法 | 第45-52页 |
| 3.2.1 Adaboost 原理 | 第45-48页 |
| 3.2.2 基于LUT 的Adaboost 分类器算法 | 第48-52页 |
| 3.3 本章小结 | 第52-53页 |
| 第四章 基于SVM 的精分类器 | 第53-62页 |
| 4.1 HOG 特征提取 | 第53-56页 |
| 4.2 SVM 分类器 | 第56-61页 |
| 4.2.1 线性可分情况 | 第56-59页 |
| 4.2.2 线性不可分情况 | 第59-61页 |
| 4.3 本章小结 | 第61-62页 |
| 第五章 实验结果与分析 | 第62-72页 |
| 5.1 训练样本 | 第62-64页 |
| 5.2 评估标准 | 第64-65页 |
| 5.3 实验结果 | 第65-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-73页 |
| 图片库（附录1） | 第73-79页 |
| 致谢 | 第79-81页 |
| 参考文献 | 第81-84页 |
| 攻读硕士学位期间已发表或录用的论文 | 第84-86页 |