| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 引言 | 第10-16页 |
| ·选题意义与背景 | 第10-11页 |
| ·研究现状 | 第11-13页 |
| ·运动人体检测国内外现状 | 第11-12页 |
| ·运动人体跟踪国内外现状 | 第12-13页 |
| ·存在的主要问题 | 第13-14页 |
| ·论文的主要工作和章节安排 | 第14-16页 |
| 第二章 运动人体检测与跟踪算法概述 | 第16-23页 |
| ·运动人体检测算法概述 | 第16-21页 |
| ·帧差法 | 第16-17页 |
| ·减背景法 | 第17-19页 |
| ·光流法 | 第19-20页 |
| ·基于统计学习的运动人体检测 | 第20-21页 |
| ·运动人体跟踪算法概述 | 第21-22页 |
| ·基于预测的跟踪方法 | 第21页 |
| ·基于特征的跟踪方法 | 第21-22页 |
| ·基于模型的跟踪方法 | 第22页 |
| ·本章小结 | 第22-23页 |
| 第三章 基于 HOG 的运动人体检测算法 | 第23-32页 |
| ·运动人体检测基本框架和思路 | 第23-24页 |
| ·梯度方向直方图 HOG 特征 | 第24-27页 |
| ·HOG 特征简述 | 第24-25页 |
| ·计算像素梯度 | 第25-26页 |
| ·统计单元内梯度方向直方图 | 第26页 |
| ·直方图归一化 | 第26-27页 |
| ·得到图像 HOG 特征 | 第27页 |
| ·SVM 分类器 | 第27-29页 |
| ·基于 HOG 的运动人体检测方法 | 第29-31页 |
| ·INRIA 行人库 | 第29-30页 |
| ·基于 HOG 的运动人体检测方法流程 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 基于 HOG 行人检测算法的改进 | 第32-43页 |
| ·梯度积分直方图 | 第32-33页 |
| ·PCA 降维 | 第33-34页 |
| ·基于多尺度 HOG 检测算法 | 第34-42页 |
| ·Gentle Adaboost 算法简介 | 第36-37页 |
| ·分类器训练 | 第37-39页 |
| ·实验结果及分析 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 基于多特征的 Mean Shift 运动人体跟踪融合算法 | 第43-57页 |
| ·纹理特征 | 第43-45页 |
| ·基本 LBP 算子 | 第44页 |
| ·旋转不变 LBP | 第44-45页 |
| ·Kalman 滤波器 | 第45-47页 |
| ·Kalman 滤波器建模 | 第45-46页 |
| ·Kalman 滤波器各参数设置 | 第46-47页 |
| ·Mean Shift 理论及其在跟踪中的应用 | 第47-52页 |
| ·Mean Shift 搜索法 | 第47-50页 |
| ·基于 Mean Shift 算法的跟踪过程 | 第50-52页 |
| ·融合色彩、纹理和运动信息的 Mean Shift 跟踪算法 | 第52-54页 |
| ·实验结果与分析 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录 A（攻读硕士学位期间发表论文目录） | 第64页 |
| 附录 B | 第64-65页 |
| 中文摘要 | 第65-68页 |
| ABSTRACT | 第68-71页 |