| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 行人检测研究现状 | 第13-16页 |
| 1.2.2 行人跟踪研究现状 | 第16-17页 |
| 1.3 研究内容与章节安排 | 第17-19页 |
| 第二章 基于深度相机的行人感兴趣区域提取算法 | 第19-41页 |
| 2.1 立体视觉-双目相机模型 | 第19-20页 |
| 2.2 基于u-v视差图的行人ROI提取 | 第20-25页 |
| 2.2.1 u-v视差图的原理 | 第20-22页 |
| 2.2.2 u-v视差图的生成 | 第22-23页 |
| 2.2.3 利用u-v视差图标记障碍物 | 第23-25页 |
| 2.2.4 小结 | 第25页 |
| 2.3 基于障碍栅格地图的行人ROI提取 | 第25-33页 |
| 2.3.1 X-Z俯视投影高度图的生成 | 第26-28页 |
| 2.3.2 X-Z俯视投影高度图分割 | 第28-29页 |
| 2.3.3 利用X-Z俯视投影高度图标记障碍 | 第29-33页 |
| 2.3.4 小结 | 第33页 |
| 2.4 基于点云密度减法聚类的行人ROI提取 | 第33-41页 |
| 2.4.1 点云密度减法聚类原理 | 第33-35页 |
| 2.4.2 点云密度减法聚类的算法实现 | 第35-38页 |
| 2.4.3 改进的点云密度减法聚类 | 第38-40页 |
| 2.4.4 小结 | 第40-41页 |
| 第三章 基于三维点云和HOG特征的行人检测算法 | 第41-53页 |
| 3.1 感兴趣区域点云的筛选 | 第41-49页 |
| 3.1.1 计算点云簇空间长宽尺寸 | 第41-43页 |
| 3.1.2 计算点云簇腿部宽度 | 第43-46页 |
| 3.1.3 去除高的障碍 | 第46-47页 |
| 3.1.4 去除连续墙体障碍 | 第47-49页 |
| 3.2 基于HOG+SVM的行人检测算法 | 第49-52页 |
| 3.2.1 HOG特征介绍 | 第49-51页 |
| 3.2.2 HOG+SVM行人分类器的训练 | 第51-52页 |
| 3.3 总结 | 第52-53页 |
| 第四章 基于视觉SLAM和图像特征点的行人跟踪算法 | 第53-66页 |
| 4.1 行人点云位置跟踪 | 第53-57页 |
| 4.1.1 点云跟踪算法介绍 | 第53-54页 |
| 4.1.2 卡尔曼滤波器介绍 | 第54-55页 |
| 4.1.3 点云位置匹配算法 | 第55-57页 |
| 4.2 ORB特征点的匹配 | 第57-61页 |
| 4.2.1 ORB特征点介绍 | 第57-59页 |
| 4.2.2 ORB特征点匹配 | 第59页 |
| 4.2.3 RANSAC算法去除错误匹配 | 第59-61页 |
| 4.3 LK光流法跟踪 | 第61-64页 |
| 4.3.1 LK光流法原理 | 第61-62页 |
| 4.3.2 跟踪前一帧的特征点 | 第62-63页 |
| 4.3.3 预测当前帧位置和大小 | 第63-64页 |
| 4.4 总结 | 第64-66页 |
| 第五章 系统实验与分析 | 第66-75页 |
| 5.1 实验平台 | 第66-67页 |
| 5.1.1 实验设备 | 第66页 |
| 5.1.2 实验软件系统设计 | 第66-67页 |
| 5.2 行人感兴趣区域提取实验 | 第67-69页 |
| 5.3 特征点跟踪实验 | 第69-70页 |
| 5.4 行人检测与跟踪系统实验 | 第70-74页 |
| 5.5 总结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 本文工作总结 | 第75-76页 |
| 6.2 不足和展望 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 致谢 | 第80-81页 |
| 攻读学位期间发表的学术论文目录 | 第81页 |