基于單目視覺(jué)的智能汽車行人檢測(cè)技術(shù)研究

第1章 緒論 1
1．1研究的意義及背景 1
1．2國(guó)內(nèi)外研究的進(jìn)展與典型系統(tǒng) 3
1．2．1美國(guó) 3
1．2．2歐洲 4
1．2．3日本 6
1．2．4中國(guó) 7
1．3國(guó)內(nèi)外基于視覺(jué)的行人檢測(cè)技術(shù)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(biāo)識(shí)別 14
1．4問(wèn)題和不足 18
1．5本章小結(jié) 18
第2章 基于單目視覺(jué)的行人檢測(cè)系統(tǒng)概述 19
2．1多功能智能汽車實(shí)驗(yàn)平臺(tái) — THMR－V 19
2．2相關(guān)術(shù)語(yǔ) 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(shù)形分類算法 25
3．2．1Adaboost算法 25
3．2．2樹(shù)形分類算法 28
3．3實(shí)驗(yàn)結(jié)果與分析 31
3．3．1分類器的訓(xùn)練 31
3．3．2行人假設(shè)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(cè)的融合 35
4．1多尺度檢測(cè)融合算法的設(shè)計(jì)目標(biāo) 35
4．1．1多尺度檢測(cè)融合算法的前提假設(shè) 35
4．1．2多尺度檢測(cè)融合算法的設(shè)計(jì)原則 36
4．2基于mean shift算法的多尺度檢測(cè)融合 37
4．2．1核密度函數(shù)估計(jì) 37
4．2．2基于均值漂移（mean shift）的多尺度檢測(cè)融合算法 38
4．3相關(guān)參數(shù)的設(shè)置 41
4．4本章小結(jié) 44
第5章 基于改進(jìn)Shapelet特征的行人識(shí)別 45
5．1基于標(biāo)準(zhǔn)Shapelet特征的行人識(shí)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(jìn)Shapelet特征的行人識(shí)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(jì)算 55
5．2．4歸一化方法 57
5．3相關(guān)實(shí)驗(yàn)結(jié)果 58
5．4本章小結(jié) 60
第6章 基于部位的行人識(shí)別算法 61
6．1集成模型的相關(guān)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(gòu)概述 62
6．3基于部位的行人檢測(cè)器集成模型 64
6．3．1模型概述 64
6．3．2部位檢測(cè)器 65
6．3．3子結(jié)構(gòu)檢測(cè)器 65
6．3．4子結(jié)構(gòu)檢測(cè)器的學(xué)習(xí) 66
6．3．5集成檢測(cè)器 69
6．4最優(yōu)集成檢測(cè)器的學(xué)習(xí) 69
6．4．1覆蓋集(covering set) 69
6．4．2集成檢測(cè)器檢測(cè)率和虛警率的估計(jì) 71
6．4．3最優(yōu)集成檢測(cè)器的學(xué)習(xí)算法 72
6．5基于集成模型的行人檢測(cè) 74
6．5．1馬爾可夫隨機(jī)場(chǎng)理論[111] 74
6．5．2基于MAP－MRF框架的行人檢測(cè) 76
6．6相關(guān)實(shí)驗(yàn)和分析 78
6．7本章小結(jié) 79
第7章 基于在線學(xué)習(xí)的行人檢測(cè) 81
7．1引言 81
7．2基于Adaboost算法的在線學(xué)習(xí)和檢測(cè) 82
7．2．1基于在線學(xué)習(xí)的行人檢測(cè)框架 82
7．2．2基于Adaboost的在線學(xué)習(xí)算法 83
7．2．3在線的弱分類器學(xué)習(xí)算法 89
7．3實(shí)驗(yàn)結(jié)果與分析 91
7．3．1數(shù)據(jù)集和相關(guān)參數(shù)的定義 92
7．3．2實(shí)驗(yàn)結(jié)果 92
7．4本章小結(jié) 95