| 中文摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-21页 |
| ·课题研究背景和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-17页 |
| ·行人检测研究 | 第11-15页 |
| ·行人识别研究 | 第15-17页 |
| ·当前存在的问题 | 第17-18页 |
| ·本文主要研究内容和创新点 | 第18-20页 |
| ·本文组织结构 | 第20-21页 |
| 第二章 基于局部时空域模型的核密度估计行人检测算法 | 第21-37页 |
| ·非参数核密度估计检测方法 | 第21-22页 |
| ·固定摄像头下局部时空域模型的行人检测 | 第22-30页 |
| ·优化训练样本集及构建背景模型 | 第23-25页 |
| ·局部时空域模型的建立 | 第25-27页 |
| ·局部时空域模型更新背景策略 | 第27-28页 |
| ·前景目标后处理及目标分类 | 第28-29页 |
| ·算法步骤 | 第29-30页 |
| ·实验结果与分析 | 第30-36页 |
| ·LST-KDE 算法检测结果比较 | 第30-35页 |
| ·LST-KDE 算法性能分析 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第三章 融合目标多特征的行人检测算法 | 第37-54页 |
| ·常用行人特征和支持向量机原理介绍 | 第37-43页 |
| ·梯度方向直方图 | 第37-39页 |
| ·纹理特征 | 第39-41页 |
| ·SIFT 特征 | 第41-42页 |
| ·支持向量机原理介绍 | 第42-43页 |
| ·移动摄像头下多特征融合的行人检测 | 第43-48页 |
| ·提取和融合三种特征 | 第44-45页 |
| ·支持向量机训练学习 | 第45-47页 |
| ·检测图像尺寸缩放和检测结果融合 | 第47-48页 |
| ·算法步骤 | 第48页 |
| ·实验结果与分析 | 第48-53页 |
| ·HLS 算法检测结果比较 | 第49-52页 |
| ·HLS 算法性能分析 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第四章 基于卡尔曼滤波和显著区域检测的行人识别算法 | 第54-68页 |
| ·论文整体系统框架结构简介 | 第54-55页 |
| ·卡尔曼滤波算法选择候选人 | 第55-57页 |
| ·上下文感知显著区域检测的行人目标分割 | 第57-60页 |
| ·上下文感知显著区域检测的分割算法步骤 | 第57-59页 |
| ·行人目标分割的实验结果比较 | 第59-60页 |
| ·行人目标校正 | 第60-61页 |
| ·目标行人识别 | 第61-63页 |
| ·目标行人特征的提取和匹配度量 | 第61-62页 |
| ·用 PageRank 算法区域赋权值 | 第62页 |
| ·匹配过程 | 第62-63页 |
| ·算法步骤 | 第63页 |
| ·实验结果与分析 | 第63-67页 |
| ·KS-WRM 算法识别结果比较 | 第64-66页 |
| ·KS-WRM 算法性能分析 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| ·论文工作总结 | 第68-69页 |
| ·未来工作展望 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 攻读学位期间公开发表的论文与科研项目成果 | 第75-76页 |
| 致谢 | 第76-77页 |