基於單目視覺的行人檢測是城市交通環境下智能
汽車輔助導航技術中的一項關鍵技術，也是目前計算
機應用領域的研究熱點之一。
《基於單目視覺的智能汽車行人檢測技術研究》
以作者於立萍、辛曉在智能汽車領域的研究成果為基
礎，重點討論了基於樹形Adaboost算法和Haar-like
特征的行人候選區域分割算法；基於Mean-shift方法
的多尺度檢測融合算法；基於改進Shapelet特征的行
人識別算法；基於子結構的部位集成檢測器設計方法
，該算法主要針對復雜場景下行人之間、行人與其他
障礙物之間的遮擋問題；行人檢測的在線學習與檢測
框架。
本書適合研究方向為智能汽車、機器學習的碩士
、博士研究生及相關專業技術人員學習和參考。

第1章 緒論
1.1 研究的意義及背景
1.2 外研究的進展與典型繫統
1.2.1 美國
1.2.2 歐洲
1.2.3 日本
1.2.4 中國
1.3 外基於視覺的行人檢測技術的研究現狀
1.3.1 感興趣區域(ROI)分割
1.3.2 目標識別
1.4 問題和不足
1.5 本章小結
第2章 基於單目視覺的行人檢測繫統概述
2.1 多功能智能汽車實驗平臺——THMR-V
2.2 相關術語
2.3 本章小結
第3章 基於Haar-like特征和Adaboost的行人候選區域分割
3.1 Haar-like特征和積分圖
3.2 Adaboost及樹形分類算法
3.2.1 Adaboost算法
3.2.2 樹形分類算法
3.3 實驗結果與分析
3.3.1 分類器的訓練
3.3.2 行人假設區域的生成
3.4 本章小結
第4章 基於meashift的多尺度檢測的融合
4.1 多尺度檢測融合算法的設計目標
4.1.1 多尺度檢測融合算法的前提假設
4.1.2 多尺度檢測融合算法的設計原則
4.2 基於meashift算法的多尺度檢測融合
4.2.1 核密度函數估計
4.2.2 基於均值漂移(meashift)的多尺度檢測融合算法
4.3 相關參數的設置
4.4 本章小結
第5章 基於改進Shapelet特征的行人識別
5.1 基於標準Shapelet特征的行人識別
5.1.1 底層特征
5.1.2 Shapelet特征
5.1.3 分類器
5.2 基於改進Shapelet特征的行人識別
5.2.1 行人數據集
5.2.2 子窗口的空間分布
5.2.3 底層特征的計算
5.2.4 歸一化方法
5.3 相關實驗結果
5.4 本章小結
第6章 基於部位的行人識別算法
6.1 集成模型的相關工作
6.1.1 全局模型
6.1.2 分布式模型
6.2 繫統結構概述
6.3 基於部位的行人檢測器集成模型
6.3.1 模型概述
6.3.2 部位檢測器
6.3.3 子結構檢測器
6.3.4 子結構檢測器的學習
6.3.5 集成檢測器
6.4 優集成檢測器的學習
6.4.1 覆蓋集(covering set)
6.4.2 集成檢測器檢測率和虛警率的估計
6.4.3 優集成檢測器的學習算法
6.5 基於集成模型的行人檢測
6.5.1 馬爾可夫場理論
6.5.2 基於MAP-MRF框架的行人檢測
6.6 相關實驗和分析
6.7 本章小結
第7章 基於在線學習的行人檢測
7.1 引言
7.2 基於Adaboost算法的在線學習和檢測
7.2.1 基於在線學習的行人檢測框架
7.2.2 基於Adaboost的在線學習算法
7.2.3 在線的弱分類器學習算法
7.3 實驗結果與分析
7.3.1 數據集和相關參數的定義
7.3.2 實驗結果
7.4 本章小結
第8章 行人檢測技術的研究成果及進一步工作
8.1 研究成果
8.2 進一步工作
參考文獻