基于多特征融合的行人检测算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-19页 |
| ·研究背景及意义 | 第8-9页 |
| ·行人检测的研究现状 | 第9-14页 |
| ·特征改进 | 第11-13页 |
| ·分类器改进 | 第13页 |
| ·其他方向 | 第13-14页 |
| ·行人检测的难点 | 第14-16页 |
| ·研究内容及论文结构 | 第16-19页 |
| 第二章 基于机器学习的行人检测算法 | 第19-32页 |
| ·引言 | 第19-20页 |
| ·行人检测算法的基本框架 | 第20-21页 |
| ·HOG+LIBSVM 方法的检测器构造过程 | 第21-25页 |
| ·图像预处理 | 第21-22页 |
| ·训练分类器 | 第22-25页 |
| ·常用的特征 | 第25-30页 |
| ·HOG 特征及其改进 | 第25页 |
| ·LBP 特征 | 第25-29页 |
| ·SIFT 特征 | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 第三章 基于 AdaBoost的行人检测算法 | 第32-46页 |
| ·引言 | 第32页 |
| ·AdaBoost 原理 | 第32-34页 |
| ·测试结果评价方法 | 第34-35页 |
| ·多尺度滑动检测 | 第35-37页 |
| ·实验及结果分析 | 第37-45页 |
| ·实验数据集 | 第37-38页 |
| ·分割方法 | 第38-39页 |
| ·全局分类器的学习 | 第39-42页 |
| ·全局检测器的性能比较 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于分割集成的行人检测算法 | 第46-55页 |
| ·引言 | 第46页 |
| ·基于分割集成的检测方法 | 第46-48页 |
| ·特征计算和分割方法 | 第48页 |
| ·集成全局分类器 | 第48-49页 |
| ·实验及结果分析 | 第49-54页 |
| ·实验数据集及实验设置 | 第49页 |
| ·使用单一特征的全局检测器与集成后性能比较 | 第49-51页 |
| ·两种特征结合方法的性能比较 | 第51-52页 |
| ·Aevpf 集成方法与其它先进方法的性能比较 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第五章 结论 | 第55-57页 |
| ·本文工作总结 | 第55页 |
| ·对未来工作的展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间的研究成果 | 第61-62页 |
