基于單目視覺(jué)的智能汽車(chē)行人檢測(cè)技術(shù)研究

定　價(jià)：￥59.00

作　者：	于立萍，辛?xí)?/td>
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787115474735	出版時(shí)間：	2018-02-01	包裝：
開(kāi)本：	大32開(kāi)	頁(yè)數(shù)：	142	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　基于單目視覺(jué)的行人檢測(cè)是城市交通環(huán)境下智能汽車(chē)輔助導(dǎo)航技術(shù)中的一項(xiàng)關(guān)鍵技術(shù)，也是目前計(jì)算機(jī)應(yīng)用領(lǐng)域的研究熱點(diǎn)之一。本書(shū)以作者在智能汽車(chē)領(lǐng)域的研究成果為基礎(chǔ)，重點(diǎn)討論了基于樹(shù)形Adaboost算法和Haar-like特征的行人候選區(qū)域分割算法；基于mean－shift方法的多尺度檢測(cè)融合算法；基于改進(jìn)Shapelet特征的行人識(shí)別算法；基于子結(jié)構(gòu)的部位集成檢測(cè)器設(shè)計(jì)方法，該算法主要針對(duì)復(fù)雜場(chǎng)景下行人之間、行人與其他障礙物之間的遮擋問(wèn)題；行人檢測(cè)的在線學(xué)習(xí)與檢測(cè)框架。本書(shū)適合研究方向?yàn)橹悄芷?chē)、機(jī)器學(xué)習(xí)的碩士、博士研究生及相關(guān)專(zhuān)業(yè)技術(shù)人員學(xué)習(xí)和參考。

作者簡(jiǎn)介

　　長(zhǎng)期從事計(jì)算機(jī)、人工智能相關(guān)領(lǐng)域的技術(shù)研究。在國(guó)內(nèi)外一級(jí)刊物發(fā)表數(shù)十篇論文，并得到廣泛應(yīng)用，先后承擔(dān)了包括國(guó)家自然科學(xué)基金、省科技發(fā)展計(jì)劃等多個(gè)項(xiàng)目。

圖書(shū)目錄

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(chē)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(lèi)算法 25
3．2．1Adaboost算法 25
3．2．2樹(shù)形分類(lèi)算法 28
3．3實(shí)驗(yàn)結(jié)果與分析 31
3．3．1分類(lèi)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(lèi)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(lèi)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