| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题的研究背景和意义 | 第11-12页 |
| 1.2 运动目标监控的研究现状 | 第12-13页 |
| 1.2.1 静态背景下运动目标监控的研究现状 | 第12-13页 |
| 1.2.2 动态背景下运动目标监控的研究现状 | 第13页 |
| 1.3 本文的需求指标及主要研究内容 | 第13-15页 |
| 第2章 移动机器人目标检测技术 | 第15-29页 |
| 2.1 引言 | 第15-16页 |
| 2.2 静态背景下运动目标检测 | 第16-20页 |
| 2.2.1 光流法 | 第16页 |
| 2.2.2 背景差分法 | 第16-18页 |
| 2.2.3 帧间差分法 | 第18-19页 |
| 2.2.4 实验及结果分析 | 第19-20页 |
| 2.3 动态背景下运动目标检测 | 第20-24页 |
| 2.3.1 全局运动补偿简介 | 第20-21页 |
| 2.3.2 全局运动参数模型 | 第21-22页 |
| 2.3.3 运动模型参数估计 | 第22-23页 |
| 2.3.4 背景补偿 | 第23页 |
| 2.3.5 实验结果分析 | 第23-24页 |
| 2.4 差分图像处理 | 第24-28页 |
| 2.4.1 灰度图像阈值处理 | 第24-25页 |
| 2.4.2 二值图像形态学处理 | 第25-27页 |
| 2.4.3 运动目标轮廓处理 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 移动机器人目标识别 | 第29-43页 |
| 3.1 引言 | 第29页 |
| 3.2 基于特征的匹配 | 第29页 |
| 3.3 基于SIFT算法的目标识别 | 第29-37页 |
| 3.3.1 构建尺度空间 | 第30-32页 |
| 3.3.2 极值点检测 | 第32-34页 |
| 3.3.3 极值点筛选及精确定位 | 第34-35页 |
| 3.3.4 特征向量的生成 | 第35-36页 |
| 3.3.5 特征匹配 | 第36-37页 |
| 3.4 基于SURF算法的目标识别 | 第37-40页 |
| 3.4.1 积分图像 | 第37-38页 |
| 3.4.2 Hessian矩阵极值点检测 | 第38-39页 |
| 3.4.3 特征向量生成及匹配 | 第39-40页 |
| 3.5 SIFT和SURF算法的比较 | 第40-42页 |
| 3.5.1 算法比较 | 第40页 |
| 3.5.2 实验及结果分析 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于Kalman与SIFT移动机器人目标跟踪算法 | 第43-49页 |
| 4.1 引言 | 第43页 |
| 4.2 Kalman滤波器简介 | 第43-44页 |
| 4.3 运动目标跟踪算法 | 第44-48页 |
| 4.3.1 基于SIFT匹配跟踪 | 第44-45页 |
| 4.3.2 Kalman与SIFT融合跟踪算法 | 第45-47页 |
| 4.3.3 实验及结果分析 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 视频监控软件设计 | 第49-55页 |
| 5.1 软件开发环境 | 第49-50页 |
| 5.2 视频监控界面设计 | 第50-53页 |
| 5.2.1 MFC简介 | 第50-51页 |
| 5.2.2 界面布局设计方案 | 第51-52页 |
| 5.2.3 MFC程序设计 | 第52-53页 |
| 5.3 本章小结 | 第53-55页 |
| 第6章 系统整体实验及结果分析 | 第55-61页 |
| 6.1 系统介绍 | 第55-57页 |
| 6.1.1 系统平台搭建 | 第55-56页 |
| 6.1.2 OpenCV简介 | 第56-57页 |
| 6.1.3 OpenCV程序设计 | 第57页 |
| 6.2 系统测试 | 第57-60页 |
| 6.3 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67页 |