基于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。
本書以作者在智能汽車領域的研究成果為基礎，重點討論了基于樹形Adaboost算法和Haar-like特征的行人候選區域分割算法；基于mean－shift方法的多尺度檢測融合算法；基于改進Shapelet特征的行人識別算法；基于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。
提出了多種更好的，且能夠進行深入研究的內容，作者本人在計算機視覺、機器學習等領域有較高的知名度，很多學者、學生都曾經和作者主動聯系，希望購買和閱讀相關圖書。
長期從事計算機、人工智能相關領域的技術研究。在國內外一級刊物發表數十篇論文，并得到廣泛應用，先后承擔了包括國家自然科學基金、省科技發展計劃等多個項目。
目 錄
第1章 緒論 1
1.1研究的意義及背景 1
1.2國內外研究的進展與典型系統 3
1.2.1美國 3
1.2.2歐洲 4
1.2.3日本 6
1.2.4中國 7
1.3國內外基于視覺的行人檢測技術的研究現狀 11
1.3.1感興趣區域（ROI）分割 12
1.3.2目標識別 14
1.4問題和不足 18
1.5本章小結 18
第2章 基于單目視覺的行人檢測系統概述 19
2.1多功能智能汽車實驗平臺 — THMR－V 19
2.2相關術語 21
2.3本章小結 22
第3章 基于Haar－like特征和Adaboost的行人候選區域分割 23
3.1Haar－like特征和積分圖 23
3.2Adaboost及樹形分類算法 25
3.2.1Adaboost算法 25
3.2.2樹形分類算法 28
3.3實驗結果與分析 31
3.3.1分類器的訓練 31
3.3.2行人假設區域的生成 32
3.4本章小結 34
第4章 基于mean shift的多尺度檢測的融合 35
4.1多尺度檢測融合算法的設計目標 35
4.1.1多尺度檢測融合算法的前提假設 35
4.1.2多尺度檢測融合算法的設計原則 36
4.2基于mean shift算法的多尺度檢測融合 37
4.2.1核密度函數估計 37
4.2.2基于均值漂移（mean shift）的多尺度檢測融合算法 38
4.3相關參數的設置 41
4.4本章小結 44
第5章 基于改進Shapelet特征的行人識別 45
5.1基于標準Shapelet特征的行人識別 46
5.1.1底層特征 47
5.1.2Shapelet特征 48
5.1.3分類器 50
5.2基于改進Shapelet特征的行人識別 51
5.2.1行人數據集 51
5.2.2子窗口的空間分布 52
5.2.3底層特征的計算 55
5.2.4歸一化方法 57
5.3相關實驗結果 58
5.4本章小結 60
第6章 基于部位的行人識別算法 61
6.1集成模型的相關工作 62
6.1.1全局模型 62
6.1.2分布式模型 62
6.2系統結構概述 62
6.3基于部位的行人檢測器集成模型 64
6.3.1模型概述 64
6.3.2部位檢測器 65
6.3.3子結構檢測器 65
6.3.4子結構檢測器的學習 66
6.3.5集成檢測器 69
6.4最優集成檢測器的學習 69
6.4.1覆蓋集(covering set) 69
6.4.2集成檢測器檢測率和虛警率的估計 71
6.4.3最優集成檢測器的學習算法 72
6.5基于集成模型的行人檢測 74
6.5.1馬爾可夫隨機場理論[111] 74
6.5.2基于MAP－MRF框架的行人檢測 76
6.6相關實驗和分析 78
6.7本章小結 79
第7章 基于在線學習的行人檢測 81
7.1引言 81
7.2基于Adaboost算法的在線學習和檢測 82
7.2.1基于在線學習的行人檢測框架 82
7.2.2基于Adaboost的在線學習算法 83
7.2.3在線的弱分類器學習算法 89
7.3實驗結果與分析 91
7.3.1數據集和相關參數的定義 92
7.3.2實驗結果 92
7.4本章小結 95
新書資訊