| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题研究的背景和意义 | 第12-13页 |
| 1.2 国内外研究发展现状 | 第13-15页 |
| 1.2.1 计算机视觉的发展 | 第13-14页 |
| 1.2.2 计算机视觉的应用领域 | 第14-15页 |
| 1.3 多运动目标跟踪 | 第15-18页 |
| 1.3.1 多运动目标跟踪系统的研究现状 | 第15-16页 |
| 1.3.2 多运动目标跟踪系统的性能要求 | 第16-17页 |
| 1.3.3 多运动目标跟踪系统的技术难点 | 第17-18页 |
| 1.4 本文主要研究内容及结构安排 | 第18-20页 |
| 第2章 目标检测和跟踪的图像处理理论基础 | 第20-30页 |
| 2.1 图像的灰度化 | 第20-21页 |
| 2.2 基于目标检测的去噪技术 | 第21-24页 |
| 2.2.1 均值滤波法 | 第22页 |
| 2.2.2 中值滤波 | 第22-23页 |
| 2.2.3 维纳滤波 | 第23-24页 |
| 2.3 基于目标跟踪的边缘检测算子研究 | 第24-29页 |
| 2.3.1 Roberts算子 | 第24-25页 |
| 2.3.2 Sobel算子 | 第25页 |
| 2.3.3 Prewitt算子 | 第25-26页 |
| 2.3.4 Laplace算子 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 多运动目标检测算法 | 第30-48页 |
| 3.1 多运动目标检测概述 | 第30页 |
| 3.2 多运动目标检测的经典算法 | 第30-34页 |
| 3.2.1 光流法 | 第30-31页 |
| 3.2.2 帧差法 | 第31-32页 |
| 3.2.3 背景差法 | 第32-34页 |
| 3.3 背景建模法 | 第34-42页 |
| 3.3.1 背景重构法 | 第34-36页 |
| 3.3.2 单高斯背景建模法 | 第36-37页 |
| 3.3.3 混合高斯背景建模法 | 第37-40页 |
| 3.3.4 ViBe背景建模法 | 第40-42页 |
| 3.4 ViBe运动目标检测法 | 第42-47页 |
| 3.4.1 改进的ViBe背景建模方法 | 第42-45页 |
| 3.4.2 形态学处理 | 第45-46页 |
| 3.4.3 实验结果和分析 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 多运动目标跟踪算法 | 第48-69页 |
| 4.1 多运动目标跟踪基本理论 | 第48页 |
| 4.2 多运动目标跟踪经典方法分类 | 第48-50页 |
| 4.2.1 基于目标轮廓的跟踪 | 第48-49页 |
| 4.2.2 基于目标特征的跟踪 | 第49页 |
| 4.2.3 基于目标模型的跟踪 | 第49-50页 |
| 4.2.4 基于学习的目标跟踪 | 第50页 |
| 4.3 Kalman滤波预测估计算法 | 第50-53页 |
| 4.3.1 Kalman滤波器原理 | 第50-51页 |
| 4.3.2 基于Kalman滤波的运动目标估计 | 第51-53页 |
| 4.3.3 Kalman滤波在目标跟踪中的应用 | 第53页 |
| 4.4 基于Meanshift的多运动目标跟踪 | 第53-61页 |
| 4.4.1 非参密度估计理论 | 第54-55页 |
| 4.4.2 Meanshift算法 | 第55-56页 |
| 4.4.3 基于Meanshift算法的多运动目标跟踪 | 第56-59页 |
| 4.4.4 实验结果的分析 | 第59-61页 |
| 4.5 改进的多运动目标跟踪算法 | 第61-68页 |
| 4.5.1 基于Meanshift算法跟踪的主要问题 | 第61页 |
| 4.5.2 基于尺度空间变化的Meanshift算法 | 第61-63页 |
| 4.5.3 与Kalman滤波结合的Meanshift算法 | 第63-65页 |
| 4.5.4 Kalman滤波预测算法的改进 | 第65-66页 |
| 4.5.5 实验结果和分析 | 第66-68页 |
| 4.6 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第75-76页 |
| 致谢 | 第76-77页 |
