基于單目視覺的智能汽車行人檢測技術研究

第1章 緒論 1
1．1研究的意義及背景 1
1．2國內(nèi)外研究的進展與典型系統(tǒng) 3
1．2．1美國 3
1．2．2歐洲 4
1．2．3日本 6
1．2．4中國 7
1．3國內(nèi)外基于視覺的行人檢測技術的研究現(xiàn)狀 11
1．3．1感興趣區(qū)域（ROI）分割 12
1．3．2目標識別 14
1．4問題和不足 18
1．5本章小結(jié) 18
第2章 基于單目視覺的行人檢測系統(tǒng)概述 19
2．1多功能智能汽車實驗平臺 — THMR－V 19
2．2相關術語 21
2．3本章小結(jié) 22
第3章 基于Haar－like特征和Adaboost的行人候選區(qū)域分割 23
3．1Haar－like特征和積分圖 23
3．2Adaboost及樹形分類算法 25
3．2．1Adaboost算法 25
3．2．2樹形分類算法 28
3．3實驗結(jié)果與分析 31
3．3．1分類器的訓練 31
3．3．2行人假設區(qū)域的生成 32
3．4本章小結(jié) 34
第4章 基于mean shift的多尺度檢測的融合 35
4．1多尺度檢測融合算法的設計目標 35
4．1．1多尺度檢測融合算法的前提假設 35
4．1．2多尺度檢測融合算法的設計原則 36
4．2基于mean shift算法的多尺度檢測融合 37
4．2．1核密度函數(shù)估計 37
4．2．2基于均值漂移（mean shift）的多尺度檢測融合算法 38
4．3相關參數(shù)的設置 41
4．4本章小結(jié) 44
第5章 基于改進Shapelet特征的行人識別 45
5．1基于標準Shapelet特征的行人識別 46
5．1．1底層特征 47
5．1．2Shapelet特征 48
5．1．3分類器 50
5．2基于改進Shapelet特征的行人識別 51
5．2．1行人數(shù)據(jù)集 51
5．2．2子窗口的空間分布 52
5．2．3底層特征的計算 55
5．2．4歸一化方法 57
5．3相關實驗結(jié)果 58
5．4本章小結(jié) 60
第6章 基于部位的行人識別算法 61
6．1集成模型的相關工作 62
6．1．1全局模型 62
6．1．2分布式模型 62
6．2系統(tǒng)結(jié)構概述 62
6．3基于部位的行人檢測器集成模型 64
6．3．1模型概述 64
6．3．2部位檢測器 65
6．3．3子結(jié)構檢測器 65
6．3．4子結(jié)構檢測器的學習 66
6．3．5集成檢測器 69
6．4最優(yōu)集成檢測器的學習 69
6．4．1覆蓋集(covering set) 69
6．4．2集成檢測器檢測率和虛警率的估計 71
6．4．3最優(yōu)集成檢測器的學習算法 72
6．5基于集成模型的行人檢測 74
6．5．1馬爾可夫隨機場理論[111] 74
6．5．2基于MAP－MRF框架的行人檢測 76
6．6相關實驗和分析 78
6．7本章小結(jié) 79
第7章 基于在線學習的行人檢測 81
7．1引言 81
7．2基于Adaboost算法的在線學習和檢測 82
7．2．1基于在線學習的行人檢測框架 82
7．2．2基于Adaboost的在線學習算法 83
7．2．3在線的弱分類器學習算法 89
7．3實驗結(jié)果與分析 91
7．3．1數(shù)據(jù)集和相關參數(shù)的定義 92
7．3．2實驗結(jié)果 92
7．4本章小結(jié) 95