第1章 绪论 1
1.1 研究的意义及背景 1
1.2 国内外研究的进展与典型系统 4
1.2.1 美国的研究进展及典型系统介绍 5
1.2.2 欧洲的研究进展及典型系统介绍 6
1.2.3 日本的研究进展及典型系统介绍 9
1.2.4 中国的研究进展及典型的系统介绍 11
1.3 国内外基于视觉的行人检测技术的研究现状 15
1.3.1 感兴趣区域分割 16
1.3.2 目标识别 20
1.4 问题和不足 27
1.5 本章小结 27
第2章 基于单目视觉的行人检测系统概述 29
2.1 多功能智能汽车实验平台——THMR-V 29
2.2 相关术语 32
2.3 本章小结 33
第3章 基于Haar-like特征和Adaboost的行人候选区域分割 34
3.1 Haar-like特征和积分图 35
3.2 Adaboost及树形分类算法 37
3.2.1 Adaboost算法 37
3.2.2 树形分类算法 40
3.3 实验结果与分析 44
3.3.1 分类器的训练 44
3.3.2 行人假设区域的生成 45
3.4 本章小结 48
第4章 基于Mean-shift的多尺度检测的融合 49
4.1 多尺度检测融合算法的设计目标 50
4.1.1 多尺度检测融合算法的前提假设 50
4.1.2 多尺度检测融合算法的设计原则 51
4.2 基于Mean-shift算法的多尺度检测融合 52
4.2.1 核密度函数估计 52
4.2.2 基于均值漂移的多尺度检测融合算法 54
4.3 相关参数的设置 58
4.4 本章小结 62
第5章 基于改进Shapelet特征的行人识别 63
5.1 基于标准Shapelet特征的行人识别 64
5.1.1 底层特征 67
5.1.2 Shapelet特征 69
5.1.3 分类器 71
5.2 基于改进Shapelet特征的行人识别 72
5.2.1 行人数据集 72
5.2.2 子窗口的空间分布 74
5.2.3 底层特征的计算 77
5.2.4 归一化方法 78
5.3 相关实验结果 81
5.4 本章小结 82
第6章 基于部位的行人识别算法 84
6.1 集成模型的相关工作 85
6.1.1 全局模型 85
6.1.2 分布式模型 86
6.2 系统结构概述 86
6.3 基于部位的行人检测器集成模型 88
6.3.1 模型概述 88
6.3.2 部位检测器 89
6.3.3 子结构检测器 90
6.3.4 子结构检测器的学习 91
6.3.5 集成检测器 93
6.4 最优集成检测器的学习 94
6.4.1 覆盖集 94
6.4.2 集成检测器检测率和虚警率的估计 97
6.4.3 最优集成检测器的学习算法 98
6.5 基于集成模型的行人检测 100
6.5.1 马尔可夫随机场理论 101
6.5.2 基于MAP-MRF框架的行人检测 103
6.6 相关实验和分析 106
6.7 本章小结 107
第7章 基于在线学习的行人检测 109
7.1 引言 109
7.2 基于Adaboost算法的在线学习和检测 111
7.2.1 基于在线学习的行人检测框架 111
7.2.2 基于Adaboost的在线学习算法 112
7.2.3 在线的弱分类器学习算法 118
7.3 实验结果与分析 121
7.3.1 数据集和相关参数的定义 121
7.3.2 实验结果 122
7.4 本章小结 126
第8章 行人检测技术的研究成果及进一步工作 127
8.1 研究成果 127
8.2 进一步工作 130
参考文献 132