| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 课题研究现状 | 第10-14页 |
| 1.2.1 行人检测算法的研究现状 | 第10-13页 |
| 1.2.2 利用异构计算的快速行人检测的研究 | 第13-14页 |
| 1.3 本文的主要研究内容 | 第14-15页 |
| 第2章 异构计算和OpenCL编程 | 第15-24页 |
| 2.1 引言 | 第15页 |
| 2.2 异构计算设备用于图像处理的现状 | 第15-18页 |
| 2.2.1 GPU用于图像处理 | 第16-17页 |
| 2.2.2 FPGA用于图像处理 | 第17-18页 |
| 2.2.3 ICP用于图像处理 | 第18页 |
| 2.3 开放计算性语言OpenCL | 第18-22页 |
| 2.3.1 平台模型 | 第19页 |
| 2.3.2 执行环境 | 第19-20页 |
| 2.3.3 内存模型 | 第20-21页 |
| 2.3.4 OpenCL编程模型 | 第21-22页 |
| 2.4 OpenCL并行程序性能优化 | 第22-23页 |
| 2.4.1 存储器读写性能优化 | 第22页 |
| 2.4.2 指令优化 | 第22-23页 |
| 2.4.3 控制指令优化 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于CENTRIST特征的快速行人检测原理 | 第24-35页 |
| 3.1 CENTRIST特征 | 第24-26页 |
| 3.2 SVM分类器原理 | 第26-27页 |
| 3.3 级联分类器 | 第27-28页 |
| 3.4 快速线性分类器的实现 | 第28-29页 |
| 3.5 快速直方图交叉核SVM实现 | 第29-30页 |
| 3.6 图像多尺度检测 | 第30-31页 |
| 3.7 检测结果后处理 | 第31-33页 |
| 3.8 C4检测方法和HOGSVM方法对比 | 第33-35页 |
| 第4章 基于OpenCL的快速行人检测方法 | 第35-54页 |
| 4.1 对原始图像进行灰度化处理 | 第35-36页 |
| 4.2 基于OpenCL的图像金字塔 | 第36-40页 |
| 4.2.1 图像缩放插值算法 | 第37-39页 |
| 4.2.2 采用OpenCL实现的双线性插值缩放算法 | 第39-40页 |
| 4.3 基于OpenCL的边缘检测算法 | 第40-43页 |
| 4.3.1 常用边缘检测算法 | 第40-41页 |
| 4.3.2 基于OpenCL的Sobel算法 | 第41-43页 |
| 4.4 基于OpenCL的CT特征提取 | 第43-44页 |
| 4.5 基于OpenCL的线性SVM检测方法 | 第44-49页 |
| 4.5.1 并行化的辅助图像构造 | 第44-45页 |
| 4.5.2 并行积分图像算法 | 第45-49页 |
| 4.6 基于OpenCL的HIKSVM检测方法 | 第49-53页 |
| 4.6.1 并行的CENTRIST特征提取方法 | 第49-50页 |
| 4.6.2 并行的HIKSVM分类方法 | 第50-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第5章 实验结果 | 第54-58页 |
| 5.1 引言 | 第54页 |
| 5.2 硬件平台 | 第54页 |
| 5.3 实验采用的行人数据集 | 第54-55页 |
| 5.4 实验结果 | 第55-58页 |
| 5.4.1 嵌入式平台下的检测效果 | 第55-56页 |
| 5.4.2 嵌入式平台下的检测效率 | 第56-58页 |
| 结论 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-61页 |