基于梯度方向直方图的人体检测算法的改进
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 人体检测技术概述 | 第10-11页 |
| 1.2 人体检测研究意义 | 第11-12页 |
| 1.3 研究现状 | 第12-14页 |
| 1.4 研究难点 | 第14-15页 |
| 1.5 论文的研究工作及组织架构 | 第15-18页 |
| 1.5.1 论文的研究工作 | 第15-16页 |
| 1.5.2 论文的组织架构 | 第16-18页 |
| 第二章 梯度直方图特征提取及分类器学习 | 第18-34页 |
| 2.1 基于梯度方向直方图人体检测技术概述 | 第18-19页 |
| 2.2 梯度直方图特征的提取 | 第19-26页 |
| 2.2.1 检测窗 | 第19-20页 |
| 2.2.2 Gamma/颜色空间归一化 | 第20页 |
| 2.2.3 梯度计算 | 第20-22页 |
| 2.2.4 梯度方向直方图统计 | 第22-23页 |
| 2.2.5 块归一化及特征描述子的生成 | 第23-24页 |
| 2.2.6 特征描述块 | 第24-26页 |
| 2.3 插值运算 | 第26-29页 |
| 2.3.1 线性插值 | 第26页 |
| 2.3.2 双线性插值 | 第26-28页 |
| 2.3.3 三线性插值 | 第28-29页 |
| 2.4 基于SVM的学习方法 | 第29-31页 |
| 2.5 训练样本集的构造 | 第31-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 基于PCA的人体检测算法 | 第34-44页 |
| 3.1 PCA的概念 | 第34页 |
| 3.2 PCA的原理 | 第34-35页 |
| 3.3 HOG-PCA特征 | 第35-37页 |
| 3.4 HOG-PCA特征的选择 | 第37-39页 |
| 3.4.1 顺序前向选择算法 | 第38-39页 |
| 3.5 HOG-PCA人体检测算法实现 | 第39-43页 |
| 3.5.1 LibSVM数据包 | 第39-40页 |
| 3.5.2 HOG-PCA+SVM分类过程 | 第40页 |
| 3.5.3 HOG-PCA+SVM分类结果 | 第40-43页 |
| 3.6 本章总结 | 第43-44页 |
| 第四章 基于PCA+ICA的人体检测算法 | 第44-55页 |
| 4.1 独立成分分析基本原理 | 第44-49页 |
| 4.1.1 数据预处理 | 第45-46页 |
| 4.1.2 FASTICA算法 | 第46-49页 |
| 4.2 基于PCA+ICA的人体特征提取 | 第49-50页 |
| 4.3 ICA分量的排序及选择 | 第50-51页 |
| 4.4 HOG-PCA+ICA分类过程 | 第51-52页 |
| 4.5 HOG-PCA+ICA分类结果分析 | 第52-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 基于改进HOG的人体检测算法 | 第55-71页 |
| 5.1 图像预处理 | 第55-61页 |
| 5.1.1 彩色图像灰度化和光照补偿 | 第56-59页 |
| 5.1.2 分段线性变换 | 第59-61页 |
| 5.2 边缘特征提取 | 第61-62页 |
| 5.3 HOG特征的生成 | 第62-64页 |
| 5.4 HOG检测结果分析 | 第64-65页 |
| 5.5 PCA-LDA特征提取 | 第65-68页 |
| 5.5.1 LDA的基本概念 | 第66页 |
| 5.5.2 LDA的基本原理 | 第66-68页 |
| 5.5.3 PCA-LDA特征 | 第68页 |
| 5.6 基于PCA-LDA的检测结果分析 | 第68-70页 |
| 5.7 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间取得的成果 | 第78-79页 |
