基于人体头肩特征的行人检测方法研究与应用
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-11页 |
| 1.1 研究背景与意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.3 存在的问题 | 第9页 |
| 1.4 论文主要工作及组织结构 | 第9-11页 |
| 2 行人检测理论与解决方案 | 第11-27页 |
| 2.1 特征提取方法 | 第12-15页 |
| 2.1.1 Haar特征 | 第12页 |
| 2.1.2 频谱特征 | 第12-13页 |
| 2.1.3 HOG特征 | 第13-15页 |
| 2.2 分类器模型 | 第15-23页 |
| 2.2.1 AdBoost分类器 | 第15页 |
| 2.2.2 神经网络模型 | 第15-20页 |
| 2.2.3 SVM分类器 | 第20-23页 |
| 2.3 算法评价指标 | 第23-24页 |
| 2.4 整体解决方案简介 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 行人检测预处理 | 第27-32页 |
| 3.1 混合高斯目标提取技术 | 第27-29页 |
| 3.2 改进的帧差法提取目标 | 第29-30页 |
| 3.3 算法比较与分析 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 行人检测方法 | 第32-62页 |
| 4.1 基于头肩轮廓特性的检测方法及其改进 | 第33-48页 |
| 4.1.1 原理介绍 | 第33-34页 |
| 4.1.2 提高轮廓完整性 | 第34-37页 |
| 4.1.3 提取并验证傅里叶描述子 | 第37-39页 |
| 4.1.4 特征降维 | 第39-40页 |
| 4.1.5 BP神经网络优化与训练过程 | 第40-46页 |
| 4.1.6 检测结果分析与比较 | 第46-48页 |
| 4.2 基于改进的SD-HOG特征的行人检测 | 第48-54页 |
| 4.2.1 提取SD-HOG特征 | 第48-52页 |
| 4.2.2 训练SVM分类器 | 第52-53页 |
| 4.2.3 检测结果分析与比较 | 第53-54页 |
| 4.3 基于二级结构的行人检测 | 第54-59页 |
| 4.3.1 检测原理 | 第54-55页 |
| 4.3.2 目标占空比 | 第55-56页 |
| 4.3.3 检测结果分析与比较 | 第56-59页 |
| 4.4 行人计数系统中的应用 | 第59-61页 |
| 4.5 本章小结 | 第61-62页 |
| 5 总结和展望 | 第62-64页 |
| 5.1 本文工作总结 | 第62-63页 |
| 5.2 进一步研究与展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69页 |
