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。
本书以作者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。
提出了多种更好的，且能够进行深入研究的内容，作者本人在计算机视觉、机器学习等领域有较高的知名度，很多学者、学生都曾经和作者主动联系，希望购买和阅读相关图书。
长期从事计算机、人工智能相关领域的技术研究。在国内外一级刊物发表数十篇论文，并得到广泛应用，先后承担了包括国家自然科学基金、省科技发展计划等多个项目。
目 录
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 3
1.2.1美国 3
1.2.2欧洲 4
1.2.3日本 6
1.2.4中国 7
1.3国内外基于视觉的行人检测技术的研究现状 11
1.3.1感兴趣区域（ROI）分割 12
1.3.2目标识别 14
1.4问题和不足 18
1.5本章小结 18
第2章 基于单目视觉的行人检测系统概述 19
2.1多功能智能汽车实验平台 — THMR－V 19
2.2相关术语 21
2.3本章小结 22
第3章 基于Haar－like特征和Adaboost的行人候选区域分割 23
3.1Haar－like特征和积分图 23
3.2Adaboost及树形分类算法 25
3.2.1Adaboost算法 25
3.2.2树形分类算法 28
3.3实验结果与分析 31
3.3.1分类器的训练 31
3.3.2行人假设区域的生成 32
3.4本章小结 34
第4章 基于mean shift的多尺度检测的融合 35
4.1多尺度检测融合算法的设计目标 35
4.1.1多尺度检测融合算法的前提假设 35
4.1.2多尺度检测融合算法的设计原则 36
4.2基于mean shift算法的多尺度检测融合 37
4.2.1核密度函数估计 37
4.2.2基于均值漂移（mean shift）的多尺度检测融合算法 38
4.3相关参数的设置 41
4.4本章小结 44
第5章 基于改进Shapelet特征的行人识别 45
5.1基于标准Shapelet特征的行人识别 46
5.1.1底层特征 47
5.1.2Shapelet特征 48
5.1.3分类器 50
5.2基于改进Shapelet特征的行人识别 51
5.2.1行人数据集 51
5.2.2子窗口的空间分布 52
5.2.3底层特征的计算 55
5.2.4归一化方法 57
5.3相关实验结果 58
5.4本章小结 60
第6章 基于部位的行人识别算法 61
6.1集成模型的相关工作 62
6.1.1全局模型 62
6.1.2分布式模型 62
6.2系统结构概述 62
6.3基于部位的行人检测器集成模型 64
6.3.1模型概述 64
6.3.2部位检测器 65
6.3.3子结构检测器 65
6.3.4子结构检测器的学习 66
6.3.5集成检测器 69
6.4最优集成检测器的学习 69
6.4.1覆盖集(covering set) 69
6.4.2集成检测器检测率和虚警率的估计 71
6.4.3最优集成检测器的学习算法 72
6.5基于集成模型的行人检测 74
6.5.1马尔可夫随机场理论[111] 74
6.5.2基于MAP－MRF框架的行人检测 76
6.6相关实验和分析 78
6.7本章小结 79
第7章 基于在线学习的行人检测 81
7.1引言 81
7.2基于Adaboost算法的在线学习和检测 82
7.2.1基于在线学习的行人检测框架 82
7.2.2基于Adaboost的在线学习算法 83
7.2.3在线的弱分类器学习算法 89
7.3实验结果与分析 91
7.3.1数据集和相关参数的定义 92
7.3.2实验结果 92
7.4本章小结 95
新书资讯
