| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 运动目标检测研究现状 | 第10-12页 |
| 1.2.2 行人跟踪研究现状 | 第12-14页 |
| 1.3 行人检测研究难点 | 第14-15页 |
| 1.3.1 准确性 | 第14页 |
| 1.3.2 实时性 | 第14-15页 |
| 1.4 本文主要研究内容以及章节安排 | 第15-16页 |
| 第二章 前景目标的检测与阴影消除 | 第16-28页 |
| 2.1 运动物体检测 | 第16-24页 |
| 2.1.1 帧差法 | 第16-17页 |
| 2.1.2 光流法 | 第17-19页 |
| 2.1.3 背景减法 | 第19-20页 |
| 2.1.4 基于改进Vibe算法的目标检测 | 第20-24页 |
| 2.2 快速归一化互相关阴影检测与消除 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于HOG-PCA特征的行人检测 | 第28-44页 |
| 3.1 行人特征提取的基本算法 | 第28-30页 |
| 3.2 行人分类的基本算法 | 第30-33页 |
| 3.2.1 神经网络分类算法 | 第30-31页 |
| 3.2.2 决策树分类器 | 第31-32页 |
| 3.2.3 贝叶斯分类器 | 第32页 |
| 3.2.4 SVM分类算法 | 第32-33页 |
| 3.3 HOG-PCA特征的理论基础 | 第33-39页 |
| 3.3.1 HOG特征基本原理 | 第34-38页 |
| 3.3.2 主成份分析算法(PCA)原理 | 第38-39页 |
| 3.4 基于HOG-PCA特征的行人检测 | 第39-43页 |
| 3.4.1 行人检测样本集 | 第40页 |
| 3.4.2 基于HOG特征的行人检测 | 第40-41页 |
| 3.4.3 基于HOG-PCA特征的行人检测 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 Camshift与Kalman相结合的行人跟踪 | 第44-55页 |
| 4.1 人体运动目标跟踪的基本方法 | 第44-45页 |
| 4.1.1 基于运动状态信息的目标跟踪 | 第44-45页 |
| 4.2 基于卡尔曼滤波的人体运动目标跟踪 | 第45-48页 |
| 4.2.1 卡尔曼滤波器的基本原理 | 第45-48页 |
| 4.2.2 卡尔曼滤波器参数设定 | 第48页 |
| 4.3 基于Camshift算法的人体运动目标跟踪 | 第48-52页 |
| 4.3.1 Meanshift算法 | 第49-51页 |
| 4.3.2 Camshift算法 | 第51-52页 |
| 4.4 基于Camshift算法和Kalman预测的人体运动目标跟踪 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 实验结果与分析 | 第55-60页 |
| 5.1 实验性能评价指标 | 第55页 |
| 5.2 实验步骤 | 第55-56页 |
| 5.3 实验结果与分析 | 第56-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 研究展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65页 |
