面向公共环境的行人头部检测方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 行人检测的研究现状及难点 | 第9-12页 |
| 1.2.1 国内外研究现状 | 第9-12页 |
| 1.2.2 行人检测难点 | 第12页 |
| 1.3 主要工作内容 | 第12-13页 |
| 1.4 本文章节安排 | 第13-14页 |
| 第二章 摄像机固定情景下的行人头部检测研究 | 第14-27页 |
| 2.1 常用的前景获取方法 | 第14-16页 |
| 2.1.1 帧差法 | 第14-15页 |
| 2.1.2 背景差分法 | 第15页 |
| 2.1.3 基于混合高斯模型的自适应背景建模 | 第15-16页 |
| 2.2 基于前景感兴趣区域的行人头部检测方法 | 第16-23页 |
| 2.2.1 梯度方向兴趣点区域算法 | 第16-18页 |
| 2.2.2 K-means聚类定位目标区域 | 第18-19页 |
| 2.2.3 HOG特征构建 | 第19-22页 |
| 2.2.4 行人头部检测算法的基本流程 | 第22-23页 |
| 2.3 实验及分析 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 摄像机运动情景下的行人头部检测研究 | 第27-37页 |
| 3.1 图模型分割算法 | 第27-30页 |
| 3.1.1 图的基本概念 | 第27页 |
| 3.1.2 图模型分割原理 | 第27-30页 |
| 3.2 图模型分割算法步骤 | 第30-31页 |
| 3.3 基于图模型分割的人体头部检测 | 第31-32页 |
| 3.4 实验过程及分析 | 第32-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 从特征降维与特征融合角度提升检测性能 | 第37-44页 |
| 4.1 LBP特征 | 第37-39页 |
| 4.1.1 LBP特征的描述 | 第37-38页 |
| 4.1.2 分块LBP特征用于检测的原理 | 第38页 |
| 4.1.3 对分块LBP特征向量进行提取的步骤 | 第38-39页 |
| 4.2 基于特征降维与特征级联的行人头部分类算法 | 第39-41页 |
| 4.2.1 分步降维HOG | 第39-40页 |
| 4.2.2 HOG-LBP级联特征 | 第40-41页 |
| 4.3 实验分析 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 行人头部检测系统的软件设计及开发 | 第44-52页 |
| 5.1 开发环境 | 第44页 |
| 5.2 环境配置 | 第44-47页 |
| 5.3 系统搭建流程 | 第47-48页 |
| 5.4 界面和算法实现 | 第48-51页 |
| 5.4.1 系统模块 | 第48-50页 |
| 5.4.2 部分核心代码 | 第50页 |
| 5.4.3 行人检测系统运行结果 | 第50-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 攻读硕士学位期间出版或发表的论著、论文 | 第60-61页 |
| 致谢 | 第61页 |
