| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 行人检测难点分析 | 第10-11页 |
| 1.4 行人检测的技术现状 | 第11-13页 |
| 1.5 本文的研究内容 | 第13-14页 |
| 1.6 本文的组织结构 | 第14-15页 |
| 2 常用行人检测技术介绍 | 第15-28页 |
| 2.1 行人检测技术的流程架构 | 第15-16页 |
| 2.2 行人检测特征 | 第16-23页 |
| 2.2.1 SIFT特征 | 第16-18页 |
| 2.2.2 HOG特征 | 第18-21页 |
| 2.2.3 HAAR-like特征 | 第21-22页 |
| 2.2.4 LBP特征 | 第22-23页 |
| 2.3 基于统计分类的行人检测算法 | 第23-27页 |
| 2.3.1 Adaboost学习算法 | 第23-25页 |
| 2.3.2 支持向量机算法 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于特征融合的行人检测器设计 | 第28-39页 |
| 3.1 行人检测特征的选择 | 第28-32页 |
| 3.2 基于HOG-MLBP-PCA的行人分类器设计 | 第32-35页 |
| 3.2.1 主成分分析(PCA)算法介绍 | 第32-33页 |
| 3.2.2 行人检测器的基本框架流程 | 第33-34页 |
| 3.2.3 行人数据库 | 第34页 |
| 3.2.4 行人检测评价标准 | 第34-35页 |
| 3.3 实验结论 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 前景运动目标检测系统 | 第39-49页 |
| 4.1 前景运动检测算法 | 第39-42页 |
| 4.1.1 光流法 | 第39-40页 |
| 4.1.2 帧间差分法 | 第40-41页 |
| 4.1.3 背景差分法 | 第41-42页 |
| 4.2 基于改进的GMM模型的前景目标检测 | 第42-47页 |
| 4.2.1 传统的高斯混合背景模型 | 第43-45页 |
| 4.2.2 改进的高斯混合背景模 | 第45-47页 |
| 4.3 实验结论 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 实时行人检测系统的设计和实现 | 第49-55页 |
| 5.1 实时行人检测系统的开发环境 | 第49页 |
| 5.2 实时行人检测流程分析 | 第49-53页 |
| 5.2.1 前景目标提取 | 第50-51页 |
| 5.2.2 行人检测 | 第51-53页 |
| 5.3 实时行人检测结果 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 6 全文总结及展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 本文作者硕士期间参加的科研项目及发表的学术论文 | 第60-61页 |
| 致谢 | 第61-62页 |