| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-11页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 课题难点 | 第12页 |
| 1.3 本文工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 行人检测理论基础 | 第15-32页 |
| 2.1 行人检测方法概述 | 第15-17页 |
| 2.2 特征提取 | 第17-24页 |
| 2.2.1 HOG 特征 | 第20-22页 |
| 2.2.2 LBP 特征 | 第22-24页 |
| 2.3 行人检测分类算法 | 第24-29页 |
| 2.3.1 基于 SVM 的训练模型 | 第26-27页 |
| 2.3.2 基于 DPM 的训练模型 | 第27-29页 |
| 2.4 性能评估标准 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 基于亮度信息的特征提取 | 第32-42页 |
| 3.1 引言 | 第32-33页 |
| 3.2 红外图像特征提取分析 | 第33-34页 |
| 3.3 HOI 特征 | 第34-36页 |
| 3.3.1 HOI 特征提取 | 第34-36页 |
| 3.3.2 HOI 优缺点 | 第36页 |
| 3.4 DBHOI 特征 | 第36-39页 |
| 3.4.1 DBHOI 特征提取 | 第36-38页 |
| 3.4.2 HOI 与 DBHOI 特征比较 | 第38-39页 |
| 3.5 实验设计 | 第39-41页 |
| 3.5.1 实验环境 | 第39-40页 |
| 3.5.2 实验结果与结论 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 基于红外图像的行人检测 | 第42-60页 |
| 4.1 引言 | 第42-43页 |
| 4.2 基于积分通道的特征描述符 | 第43-44页 |
| 4.3 分类器训练算法 | 第44-51页 |
| 4.3.1 红外行人检测样本集 | 第45-47页 |
| 4.3.2 弱分类器及决策树 | 第47-49页 |
| 4.3.3 基于 Adaboost 的学习算法 | 第49-50页 |
| 4.3.4 基于 soft-cascade 算法的级联分类器 | 第50-51页 |
| 4.4 红外行人检测算法 | 第51-55页 |
| 4.5 实验设计 | 第55-59页 |
| 4.5.1 实验环境 | 第55页 |
| 4.5.2 实验结果与结论 | 第55-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 本文工作总结 | 第60-61页 |
| 5.2 今后工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 详细摘要 | 第67-70页 |