基于单目视觉的智能汽车行人检测技术研究

基于单目视觉的行人检测是城市交通环境下智能 汽车辅助导航技术中的一项关键技术，也是目前计算 机应用领域的研究热点之一。 《基于单目视觉的智能汽车行人检测技术研究》 以作者于立萍、辛晓在智能汽车领域的研究成果为基 础，重点讨论了基于树形Adaboost算法和Haar-like 特征的行人候选区域分割算法；基于Mean-shift方法 的多尺度检测融合算法；基于改进Shapelet特征的行 人识别算法；基于子结构的部位集成检测器设计方法 ，该算法主要针对复杂场景下行人之间、行人与其他 障碍物之间的遮挡问题；行人检测的在线学习与检测 框架。 本书适合研究方向为智能汽车、机器学习的硕士 、博士研究生及相关专业技术人员学习和参考。

第1章 绪论 1.1 研究的意义及背景 1.2 外研究的进展与典型系统 1.2.1 美国 1.2.2 欧洲 1.2.3 日本 1.2.4 中国 1.3 外基于视觉的行人检测技术的研究现状 1.3.1 感兴趣区域(ROI)分割 1.3.2 目标识别 1.4 问题和不足 1.5 本章小结 第2章 基于单目视觉的行人检测系统概述 2.1 多功能智能汽车实验平台——THMR-V 2.2 相关术语 2.3 本章小结 第3章 基于Haar-like特征和Adaboost的行人候选区域分割 3.1 Haar-like特征和积分图 3.2 Adaboost及树形分类算法 3.2.1 Adaboost算法 3.2.2 树形分类算法 3.3 实验结果与分析 3.3.1 分类器的训练 3.3.2 行人假设区域的生成 3.4 本章小结 第4章 基于meashift的多尺度检测的融合 4.1 多尺度检测融合算法的设计目标 4.1.1 多尺度检测融合算法的前提假设 4.1.2 多尺度检测融合算法的设计原则 4.2 基于meashift算法的多尺度检测融合 4.2.1 核密度函数估计 4.2.2 基于均值漂移(meashift)的多尺度检测融合算法 4.3 相关参数的设置 4.4 本章小结 第5章 基于改进Shapelet特征的行人识别 5.1 基于标准Shapelet特征的行人识别 5.1.1 底层特征 5.1.2 Shapelet特征 5.1.3 分类器 5.2 基于改进Shapelet特征的行人识别 5.2.1 行人数据集 5.2.2 子窗口的空间分布 5.2.3 底层特征的计算 5.2.4 归一化方法 5.3 相关实验结果 5.4 本章小结 第6章 基于部位的行人识别算法 6.1 集成模型的相关工作 6.1.1 全局模型 6.1.2 分布式模型 6.2 系统结构概述 6.3 基于部位的行人检测器集成模型 6.3.1 模型概述 6.3.2 部位检测器 6.3.3 子结构检测器 6.3.4 子结构检测器的学习 6.3.5 集成检测器 6.4 优集成检测器的学习 6.4.1 覆盖集(covering set) 6.4.2 集成检测器检测率和虚警率的估计 6.4.3 优集成检测器的学习算法 6.5 基于集成模型的行人检测 6.5.1 马尔可夫场理论 6.5.2 基于MAP-MRF框架的行人检测 6.6 相关实验和分析 6.7 本章小结 第7章 基于在线学习的行人检测 7.1 引言 7.2 基于Adaboost算法的在线学习和检测 7.2.1 基于在线学习的行人检测框架 7.2.2 基于Adaboost的在线学习算法 7.2.3 在线的弱分类器学习算法 7.3 实验结果与分析 7.3.1 数据集和相关参数的定义 7.3.2 实验结果 7.4 本章小结 第8章 行人检测技术的研究成果及进一步工作 8.1 研究成果 8.2 进一步工作 参考文献