| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 引言 | 第11-12页 |
| 1.2 困难和挑战 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-19页 |
| 1.3.1 行人检测技术简介 | 第13-15页 |
| 1.3.2 国外研究现状 | 第15-17页 |
| 1.3.3 国内研究现状 | 第17-19页 |
| 1.4 论文的主要研究工作 | 第19页 |
| 1.5 论文组织 | 第19-20页 |
| 第二章 基于 Haar 特征和 Adaboost 的行人分割 | 第20-37页 |
| 2.1 引言 | 第20-21页 |
| 2.2 Haar 特征和 Adaboost 算法 | 第21-28页 |
| 2.2.1 Haar 特征表示 | 第22-23页 |
| 2.2.2 Haar 特征数量 | 第23-25页 |
| 2.2.3 Haar 特征计算 | 第25-26页 |
| 2.2.4 Adaboost 训练方法 | 第26-28页 |
| 2.3 行人候选区的初始分割 | 第28-33页 |
| 2.3.1 训练样本选取 | 第28-30页 |
| 2.3.2 级联分类器训练 | 第30-31页 |
| 2.3.3 行人候选区域分割 | 第31-33页 |
| 2.4 基于边缘特性的候选区过滤 | 第33-35页 |
| 2.4.1 边缘选取 | 第33页 |
| 2.4.2 边缘对称性计算 | 第33-34页 |
| 2.4.3 候选区过滤 | 第34-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第三章 基于 HOG 特征和 SVM 的行人识别 | 第37-52页 |
| 3.1 引言 | 第37页 |
| 3.2 HOG 特征简介 | 第37-41页 |
| 3.2.1 HOG 特征表示 | 第37-38页 |
| 3.2.2 HOG 特征计算 | 第38-41页 |
| 3.3 SVM 基本原理 | 第41-45页 |
| 3.3.1 最优分类面 | 第42-44页 |
| 3.3.2 支持向量机 | 第44-45页 |
| 3.4 基于线性分类器的行人识别 | 第45-50页 |
| 3.4.1 样本选择 | 第45-46页 |
| 3.4.2 SVM 分类器训练 | 第46-48页 |
| 3.4.3 行人定位 | 第48-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 基于 Kalman 滤波和模板匹配的行人跟踪 | 第52-61页 |
| 4.1 引言 | 第52页 |
| 4.2 模板匹配 | 第52-54页 |
| 4.3 卡尔曼滤波 | 第54-56页 |
| 4.3.1 系统建模 | 第54-55页 |
| 4.3.2 工作原理 | 第55-56页 |
| 4.4 行人跟踪 | 第56-60页 |
| 4.4.1 Kalman 初始化 | 第56-58页 |
| 4.4.2 模板匹配策略 | 第58-59页 |
| 4.4.3 跟踪实验 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 系统测试 | 第61-67页 |
| 5.1 引言 | 第61页 |
| 5.2 准确性测试 | 第61-66页 |
| 5.2.1 多种背景下的行人检测 | 第61-63页 |
| 5.2.2 多种姿态的行人检测 | 第63-65页 |
| 5.2.3 准确度统计 | 第65-66页 |
| 5.3 实时性测试 | 第66页 |
| 5.4 本章小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75-76页 |
| 附件 | 第76页 |