| 摘要 | 第1-7页 |
| ABSTRACT | 第7-14页 |
| 表格索引 | 第14-15页 |
| 图形索引 | 第15-17页 |
| 第一章 绪论 | 第17-36页 |
| ·论文的研究背景 | 第17-18页 |
| ·技术难点和研究意义 | 第18-20页 |
| ·国内外研究现状 | 第20-33页 |
| ·基于视觉的行人检测技术研究现状 | 第20-29页 |
| ·基于视觉的行人跟踪技术研究现状 | 第29-33页 |
| ·论文的研究内容及组织结构 | 第33-36页 |
| ·论文的研究内容 | 第33页 |
| ·论文的组织结构 | 第33-36页 |
| 第二章 一种新的双层差异行人特征提取算法 | 第36-57页 |
| ·引言 | 第36-37页 |
| ·现有的行人特征提取算法介绍 | 第37-45页 |
| ·Haar-like 特征 | 第37-38页 |
| ·扩展的 Haar-like 特征 | 第38-39页 |
| ·HOG 特征 | 第39-41页 |
| ·SIFT 特征 | 第41-43页 |
| ·Edgelet 特征 | 第43-44页 |
| ·各经典特征提取算法的优缺点比较 | 第44-45页 |
| ·双层差异特征提取算法及行人检测策略 | 第45-50页 |
| ·双层差异特征提取算法 | 第45-47页 |
| ·基于双层差异特征的行人检测算法及策略 | 第47-50页 |
| ·实验结果及分析 | 第50-56页 |
| ·样本集的选取 | 第50-51页 |
| ·ABH 特征性能评估 | 第51-53页 |
| ·双层差异特征及其检测策略性能评估 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第三章 一种同时考虑弱分类器多样性及样本非均衡性的分类算法 | 第57-75页 |
| ·引言 | 第57-58页 |
| ·经典分类算法回顾 | 第58-64页 |
| ·Adaboost 算法 | 第58-60页 |
| ·支持向量机算法 | 第60-63页 |
| ·经典分类算法优缺点分析 | 第63-64页 |
| ·一种基于代价敏感 SVM 的非均衡 Gentle AdaBoost 分类算法 | 第64-69页 |
| ·代价敏感的 SVM 算法 | 第64-65页 |
| ·非均衡 Gentle AdaBoost 分类算法 | 第65-67页 |
| ·基于多样的 CS-SVM 弱分类器的非均衡 Gentle AdaBoost 算法 | 第67-69页 |
| ·实验结果及分析 | 第69-74页 |
| ·样本集的选取 | 第70页 |
| ·正则化参数 C 和初始核函数参数σini选取对算法的影响 | 第70-71页 |
| ·调整步长参数σstep的选取对算法的影响 | 第71页 |
| ·代价敏感参数、C1和 C2的选取对算法的影响 | 第71-73页 |
| ·弱分类器多样性对检测算法性能的影响 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 第四章 基于动态代价敏感值寻优机制的分级树状结构组合分类器研究 | 第75-97页 |
| ·引言 | 第75-76页 |
| ·度量指标的定义 | 第76-77页 |
| ·一种新的代价敏感权重值寻优方法 | 第77-86页 |
| ·标准粒子群优化算法 | 第78-80页 |
| ·改进的混沌粒子群优化算法 | 第80-82页 |
| ·一种基于 T 变异的混沌粒子群优化算法 | 第82-83页 |
| ·基于 TCPSO 优化算法的代价敏感权重值寻优方法 | 第83-86页 |
| ·分级树状组合分类器结构 | 第86-91页 |
| ·级联组合分类器 | 第86-87页 |
| ·树状组合分类器 | 第87-89页 |
| ·分级树状组合分类器 | 第89-91页 |
| ·实验结果及分析 | 第91-95页 |
| ·样本集的选取 | 第92页 |
| ·基于 TCPSO 的代价敏感权重值寻优方法检测结果对比分析 | 第92-93页 |
| ·基于分级树状组合分类器结构方法的检测结果对比分析 | 第93-94页 |
| ·分级树状结构分类器检测结果分析 | 第94-95页 |
| ·本章小结 | 第95-97页 |
| 第五章 基于融合颜色、纹理及对应子空间信息的快速粒子滤波行人跟踪算法 | 第97-123页 |
| ·引言 | 第97-99页 |
| ·经典粒子滤波算法 | 第99-103页 |
| ·贝叶斯滤波算法 | 第99-100页 |
| ·粒子滤波算法 | 第100-103页 |
| ·一种改进的粒子滤波行人跟踪算法 | 第103-115页 |
| ·多线索信息融合的观测模型建立 | 第103-111页 |
| ·一种基于波面扫描的积分直方图快速算法 | 第111-114页 |
| ·算法实现的步骤 | 第114-115页 |
| ·实验结果及分析 | 第115-122页 |
| ·本章算法与经典粒子滤波跟踪算法的跟踪效果比较及分析 | 第116-117页 |
| ·融合不同纹理特征的跟踪效果比较及分析 | 第117-118页 |
| ·积分直方图和普通直方图计算消耗时间的比较 | 第118-122页 |
| ·本章小结 | 第122-123页 |
| 第六章 基于行人检测及多目标跟踪的行人计数方法 | 第123-144页 |
| ·引言 | 第123-125页 |
| ·传统 MHT 算法跟踪多目标的基本步骤及存在问题 | 第125-127页 |
| ·一种改进的 k-best MHT 多目标跟踪数据关联方法 | 第127-135页 |
| ·基于速度、纹理及颜色相似度判别的行人航迹产生及选择 | 第128-131页 |
| ·一种基于量测分组的假设管理改进方法 | 第131-133页 |
| ·算法小结 | 第133-135页 |
| ·一种基于多目标跟踪的行人计数方法 | 第135-138页 |
| ·行人计数方法概述 | 第135-136页 |
| ·感兴趣虚拟检测区域的建立 | 第136页 |
| ·行人计数方法的步骤及流程 | 第136-138页 |
| ·实验结果及分析 | 第138-143页 |
| ·行人计数系统设计与搭建方案 | 第139-140页 |
| ·地铁站局部区域实时人流检测效果及分析 | 第140-143页 |
| ·本章小结 | 第143-144页 |
| 论文成果总结与展望 | 第144-148页 |
| 1 论文成果总结 | 第144-146页 |
| 2 研究展望 | 第146-148页 |
| 参考文献 | 第148-161页 |
| 攻读博士学位期间取得的研究成果 | 第161-164页 |
| 致谢 | 第164-165页 |
| 附件 | 第165页 |
