车辆前方行人的多特征检测算法研究
| 中文摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 行人检测的技术难点 | 第11页 |
| 1.4 本文的主要工作安排 | 第11-13页 |
| 第二章 行人检测相关技术 | 第13-19页 |
| 2.1 图像的预处理 | 第13-14页 |
| 2.1.1 图像灰度化 | 第13-14页 |
| 2.1.2 图像滤波 | 第14页 |
| 2.1.3 图像边缘提取 | 第14页 |
| 2.2 行人分割相关技术 | 第14-15页 |
| 2.2.1 基于特征的方法 | 第15页 |
| 2.2.2 基于运动的方法 | 第15页 |
| 2.2.3 基于距离的方法 | 第15页 |
| 2.3 行人识别相关技术 | 第15-16页 |
| 2.3.1 基于运动的方法 | 第15-16页 |
| 2.3.2 基于形状的方法 | 第16页 |
| 2.3.3 基于统计学的方法 | 第16页 |
| 2.4 行人识别的总体方案 | 第16-17页 |
| 2.5 本章小结 | 第17-19页 |
| 第三章 自适应迭代维纳滤波算法 | 第19-31页 |
| 3.1 图像噪声和滤波算法 | 第19-21页 |
| 3.1.1 图像噪声 | 第19-20页 |
| 3.1.2 空域内的滤波算法 | 第20-21页 |
| 3.1.3 变换域的滤波算法 | 第21页 |
| 3.2 自适应迭代维纳滤波算法 | 第21-24页 |
| 3.2.1 经典的维纳滤波 | 第21-22页 |
| 3.2.2 自适应迭代维纳滤波 | 第22-24页 |
| 3.3 实验结果对比和分析 | 第24-29页 |
| 3.3.1 图像滤波的评价指标 | 第24页 |
| 3.3.2 实验结果对比和分析 | 第24-29页 |
| 3.4 本章小结 | 第29-31页 |
| 第四章 行人候选区域分割方法研究 | 第31-45页 |
| 4.1 图像边缘获取 | 第31-36页 |
| 4.2 候选边缘对称轴获取 | 第36-39页 |
| 4.2.1 图像对称性测度 | 第36-37页 |
| 4.2.2 候选对称轴获取 | 第37-39页 |
| 4.3 行人候选区域分割方法 | 第39-42页 |
| 4.3.1 左右边界的获取 | 第39-40页 |
| 4.3.2 底边界的获取 | 第40-41页 |
| 4.3.3 上边界的获取 | 第41-42页 |
| 4.4 实验结果对比 | 第42-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第五章 候选区域的行人识别 | 第45-59页 |
| 5.1 分类器的选择 | 第45-46页 |
| 5.1.1 Adaboost算法 | 第45页 |
| 5.1.2 支持向量机(SVM)算法 | 第45-46页 |
| 5.2 行人的特征 | 第46-52页 |
| 5.2.1 Haar特征 | 第47页 |
| 5.2.2 HOG特征 | 第47-49页 |
| 5.2.3 LBP特征 | 第49-52页 |
| 5.3 基于HOG特征和LBP特征的行人识别 | 第52-56页 |
| 5.3.1 训练样本的获取 | 第52-54页 |
| 5.3.2 SVM对样本库训练 | 第54页 |
| 5.3.3 HOG特征和LBP特征组合方法 | 第54-56页 |
| 5.4 行人检测的仿真实验 | 第56-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 攻读学位期间发表的学术论文目录 | 第67页 |
