| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题研究的背景及意义 | 第8页 |
| 1.2 课题存在的主要难点问题 | 第8-9页 |
| 1.3 国内外发展现状 | 第9-13页 |
| 1.3.1 行人检测方法的研究 | 第9-10页 |
| 1.3.2 行人检测数据集的研究 | 第10-11页 |
| 1.3.3 行人检测分类器的研究 | 第11-12页 |
| 1.3.4 国内研究成果及应用 | 第12-13页 |
| 1.3.5 国外研究成果及应用 | 第13页 |
| 1.4 本论文的研究内容及结构安排 | 第13-16页 |
| 2 特征提取算法和分类算法简介 | 第16-32页 |
| 2.1 引言 | 第16页 |
| 2.2 特征提取算法简介 | 第16-27页 |
| 2.2.1 小波特征(Haar) | 第16-19页 |
| 2.2.2 方向梯度直方图特征(HOG) | 第19-23页 |
| 2.2.3 尺度不变特征(SIFT) | 第23-26页 |
| 2.2.4 边缘特征(Edgelet) | 第26-27页 |
| 2.2.5 特征提取算法对比分析 | 第27页 |
| 2.3 分类算法简介 | 第27-31页 |
| 2.3.1 自适应算法(AdaBoost) | 第28-29页 |
| 2.3.2 支持向量机算法(SVM) | 第29-31页 |
| 2.3.3 分类算法对比分析 | 第31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 基于双层特征提取的行人检测算法 | 第32-40页 |
| 3.1 引言 | 第32页 |
| 3.2 双层特征提取算法原理 | 第32页 |
| 3.3 双层特征提取算法流程 | 第32-34页 |
| 3.4 实验结果分析 | 第34-38页 |
| 3.4.1 样本的选取 | 第34-35页 |
| 3.4.2 实验结果分析 | 第35-38页 |
| 3.5 本章小结 | 第38-40页 |
| 4 基于代价敏感支持向量机的非均衡牛顿步长分类算法 | 第40-50页 |
| 4.1 引言 | 第40页 |
| 4.2 代价敏感的支持向量机算法 | 第40-41页 |
| 4.3 非均衡牛顿步长自适应分类算法 | 第41-42页 |
| 4.4 基于代价敏感支持向量机的非均衡牛顿步长分类算法 | 第42-44页 |
| 4.5 实验结果分析 | 第44-48页 |
| 4.5.1 样本集的选取 | 第44页 |
| 4.5.2 正则化参数和初始核函数参数的影响 | 第44-45页 |
| 4.5.3 步长参数的影响 | 第45-46页 |
| 4.5.4 代价敏感参数的影响 | 第46-47页 |
| 4.5.5 实验结果分析 | 第47-48页 |
| 4.6 本章小结 | 第48-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-57页 |