展开全部

主编推荐语

本书研究复杂交通环境下行人检测关键技术,涉及算法、特征识别、检测融合等。

内容简介

基于单目视觉的行人检测是是目前计算机应用领域的研究热点。本书针对复杂城市交通环境下行人的安全问题,对以下关键技术进行了研究:1)一种基于树形Adaboost 算法和 Haar-like特征的行人候选区域分割算法;2)基于mean shift的多尺度检测融合;3)基于改进Shapelet特征的行人识别;4)基于部位的行人识别算法;5)基于在线学习的行人检测。

目录

  • 扉页
  • 版权页
  • 目录
  • 内容提要
  • 前言
  • 第1章 绪论
  • 1.1 研究的意义及背景
  • 1.2 国内外研究的进展与典型系统
  • 1.2.1 美国的研究进展及典型系统介绍
  • 1.2.2 欧洲的研究进展及典型系统介绍
  • 1.2.3 日本的研究进展及典型系统介绍
  • 1.2.4 中国的研究进展及典型的系统介绍
  • 1.3 国内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Mean-shift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Mean-shift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 最优集成检测器的学习
  • 6.4.1 覆盖集
  • 6.4.2 集成检测器检测率和虚警率的估计
  • 6.4.3 最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 马尔可夫随机场理论
  • 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
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社,成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”,致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。