| 提要 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-11页 |
| 目录 | 第11-14页 |
| 第1章 绪论 | 第14-32页 |
| ·引言 | 第14-15页 |
| ·课题研究的背景和意义 | 第15-19页 |
| ·国内外研究现状 | 第19-28页 |
| ·运动检测 | 第19-22页 |
| ·人体检测 | 第22-24页 |
| ·目标跟踪 | 第24-28页 |
| ·本文的主要工作和章节安排 | 第28-32页 |
| ·本文的主要工作 | 第28-30页 |
| ·本文的章节安排 | 第30-32页 |
| 第2章 基于 T-CENTRIST 的人体特征提取和检测 | 第32-46页 |
| ·引言 | 第32页 |
| ·几种常用的人体特征提取方法 | 第32-38页 |
| ·小波特征 | 第32-34页 |
| ·边缘模板 | 第34-35页 |
| ·HOG 特征 | 第35-36页 |
| ·CENTRIST 特征 | 第36-38页 |
| ·基于 T-CENTRIST 的人体特征提取和检测 | 第38-41页 |
| ·T-CENTRIST 特征提取 | 第38-39页 |
| ·基于 T-CENTRIST 的行人检测 | 第39-41页 |
| ·算法实验与分析 | 第41-44页 |
| ·实验准备 | 第41-42页 |
| ·T-CENTRIST 和 CENTRIST 的对比实验 | 第42-43页 |
| ·行人检测实验 | 第43-44页 |
| ·本章小结 | 第44-46页 |
| 第3章 基于 EC-LAMM 的人体特征训练 | 第46-64页 |
| ·引言 | 第46页 |
| ·常用的行人检测分类器介绍 | 第46-52页 |
| ·AdaBoost | 第46-48页 |
| ·SVM | 第48-50页 |
| ·人工神经网络 | 第50-52页 |
| ·基于改进的 ADABOOST 强分类器 | 第52-54页 |
| ·算法分析 | 第52页 |
| ·改进的 AdaBoost 训练算法 | 第52-54页 |
| ·基于 EC-LAMM 的级联分类器 | 第54-59页 |
| ·局部区域标记映射（LAMM） | 第54-57页 |
| ·基于 LAMM 的增强型级联分类器（EC-LAMM） | 第57-59页 |
| ·算法实验与分析 | 第59-63页 |
| ·实验数据集 | 第59页 |
| ·训练增强的级联分类器 | 第59-60页 |
| ·分类性能实验 | 第60-63页 |
| ·本章小结 | 第63-64页 |
| 第4章 基于自主学习的单目标长期跟踪 | 第64-80页 |
| ·引言 | 第64页 |
| ·预备知识 | 第64-71页 |
| ·区域生长 | 第64-66页 |
| ·图像边缘提取 | 第66-69页 |
| ·金字塔 L-K 光流法跟踪 | 第69-71页 |
| ·基于自主学习的单目标长期跟踪 | 第71-75页 |
| ·基于改进特征点集选取的 PLK 跟踪 | 第71-74页 |
| ·自主选择学习机制 | 第74-75页 |
| ·算法实验与分析 | 第75-78页 |
| ·本章小结 | 第78-80页 |
| 第5章 基于 WIHM 的多目标在线跟踪 | 第80-92页 |
| ·引言 | 第80-81页 |
| ·Online AdaBoost 训练算法 | 第81-84页 |
| ·算法概述 | 第81-82页 |
| ·算法实现步骤 | 第82-84页 |
| ·基于 WIHM 的多目标在线跟踪 | 第84-89页 |
| ·算法框架 | 第84页 |
| ·WIHM | 第84-86页 |
| ·多目标在线跟踪 | 第86-89页 |
| ·算法实验与分析 | 第89-91页 |
| ·本章小结 | 第91-92页 |
| 第6章 总结和展望 | 第92-96页 |
| ·总结 | 第92-93页 |
| ·展望 | 第93-96页 |
| 参考文献 | 第96-114页 |
| 作者简介及在学期间所取得的科研成果 | 第114-116页 |
| 致谢 | 第116页 |
