| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 概述 | 第9页 |
| 1.2 研究背景及意义 | 第9-12页 |
| 1.3 国内外研究现状 | 第12-13页 |
| 1.4 论文主要工作和组织结构 | 第13-15页 |
| 第二章 基于改进的卡尔曼滤波与阴影抑制的运动区域提取 | 第15-31页 |
| 2.1 概述 | 第15页 |
| 2.2 常用建模方法分析 | 第15-20页 |
| 2.2.1 背景差分法 | 第16-17页 |
| 2.2.2 单高斯背景建模 | 第17-18页 |
| 2.2.3 混合高斯背景建模 | 第18-20页 |
| 2.3 改进的卡尔曼滤波建模法 | 第20-24页 |
| 2.3.1 卡尔曼滤波原理 | 第20-21页 |
| 2.3.2 卡尔曼离散模型的建立 | 第21-22页 |
| 2.3.3 改进的Kg取值法 | 第22-23页 |
| 2.3.4 实验结果 | 第23-24页 |
| 2.4 图像的阴影抑制 | 第24-30页 |
| 2.4.1 HSV色彩模型 | 第25-27页 |
| 2.4.1.1 实验结果 | 第26-27页 |
| 2.4.2 形态学算子去噪 | 第27-30页 |
| 2.4.2.1 实验结果 | 第29-30页 |
| 2.5 本章小节 | 第30-31页 |
| 第三章 基于多尺度协同的人头检测方法 | 第31-47页 |
| 3.1 概述 | 第31-32页 |
| 3.2 特征描述符 | 第32-35页 |
| 3.2.1 HOG特征提取 | 第33-35页 |
| 3.3 支持向量机 | 第35-37页 |
| 3.4 分类器的离线训练 | 第37-40页 |
| 3.4.1 正负样本采集 | 第37-38页 |
| 3.4.2 尺寸归一化 | 第38-40页 |
| 3.5 实时目标检测 | 第40-42页 |
| 3.5.1 多尺度分析 | 第40-41页 |
| 3.5.2 窗口融合分析 | 第41-42页 |
| 3.6 实验及结果分析 | 第42-45页 |
| 3.7 本章小节 | 第45-47页 |
| 第四章 基于GPU_CPU异构并行加速的人头检测方法 | 第47-55页 |
| 4.1 概述 | 第47-48页 |
| 4.2 基于CPU的HOG特征提取分析 | 第48页 |
| 4.3 CUDA平台简述 | 第48-50页 |
| 4.4 基于GPU的HOG特征提取分析 | 第50-53页 |
| 4.4.1 梯度的并行化计算 | 第50-51页 |
| 4.4.2 梯度直方图的构建 | 第51页 |
| 4.4.3 直方图归一化 | 第51-52页 |
| 4.4.4 HOG特征描述符提取 | 第52-53页 |
| 4.5 实验及结果分析 | 第53-54页 |
| 4.6 本章小节 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 工作总结 | 第55-56页 |
| 5.2 未来展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间的研究成果 | 第62-63页 |
| 致谢 | 第63页 |