监控视频中的运动目标分类算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第7-13页 |
| ·引言 | 第7页 |
| ·研究背景及意义 | 第7-8页 |
| ·国内外研究现状及趋势 | 第8-9页 |
| ·涉及的学科领域 | 第9-11页 |
| ·数字图像处理 | 第10页 |
| ·模式识别 | 第10-11页 |
| ·计算机视觉 | 第11页 |
| ·论文主要研究内容及组织结构 | 第11-12页 |
| ·本章小结 | 第12-13页 |
| 第二章 运动目标分类的相关理论与研究 | 第13-35页 |
| ·图像预处理 | 第13-16页 |
| ·彩色图像的灰度化 | 第13-14页 |
| ·图像平滑滤噪 | 第14-16页 |
| ·运动目标检测 | 第16-25页 |
| ·背景差分法 | 第17-18页 |
| ·帧差法 | 第18页 |
| ·光流法 | 第18-19页 |
| ·背景建模法 | 第19-23页 |
| ·目标区域提取 | 第23-25页 |
| ·运动目标分类 | 第25-31页 |
| ·基于目标静态特征的目标分类 | 第26-27页 |
| ·基于目标运动特征的目标分类 | 第27-29页 |
| ·静态特征和运动特征结合的目标分类 | 第29-30页 |
| ·基于机器学习的运动目标分类 | 第30-31页 |
| ·运动目标跟踪 | 第31-33页 |
| ·基于区域的目标跟踪 | 第31-32页 |
| ·基于模型的目标跟踪 | 第32页 |
| ·基于活动轮廓的跟踪 | 第32-33页 |
| ·基于目标特征的跟踪 | 第33页 |
| ·本章小结 | 第33-35页 |
| 第三章 支持向量机理论 | 第35-41页 |
| ·支持向量机(SVM)概述 | 第35页 |
| ·支持向量机 | 第35-39页 |
| ·最优分类界面 | 第35-37页 |
| ·广义最优分类界面 | 第37-38页 |
| ·支持向量机的核函数 | 第38-39页 |
| ·现有的基于支持向量机的多类分类方法 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 基于SVM概率输出的运动目标分类 | 第41-55页 |
| ·基于SVM的运动目标分类 | 第41-45页 |
| ·基于传统SVM的运动目标分类 | 第41-44页 |
| ·基于概率SVM的运动目标分类 | 第44-45页 |
| ·后置滤波器 | 第45-54页 |
| ·数字滤波器 | 第46-52页 |
| ·多目标跟踪 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第五章 实验结果与分析 | 第55-62页 |
| ·实验设置 | 第55页 |
| ·实验步骤 | 第55-56页 |
| ·实验结果与对比 | 第56-59页 |
| ·实验结果分析 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 第六章 结论与展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 研究生期间研究成果及发表的学术论文 | 第70页 |
