| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 视频图像目标检测跟踪的国内外研究现状 | 第11-13页 |
| 1.2.2 视频图像目标检测跟踪的主要热点 | 第13-16页 |
| 1.2.3 视频运动目标检测主要的算法 | 第16页 |
| 1.3 本文研究内容与组织结构安排 | 第16-18页 |
| 第2章 运动目标检测和跟踪算法理论基础 | 第18-37页 |
| 2.1 运动目标检测理论方法 | 第18-19页 |
| 2.2 运动目标检测方法 | 第19-24页 |
| 2.2.1 帧间差法 | 第19-20页 |
| 2.2.2 背景减除法 | 第20-24页 |
| 2.3 图像特征属性 | 第24-35页 |
| 2.3.1 颜色特征 | 第25-27页 |
| 2.3.2 Haar 特征 | 第27-29页 |
| 2.3.3 HOG 特征 | 第29-31页 |
| 2.3.4 尺度不变特征变换 | 第31-35页 |
| 2.4 图像颜色 HS 特征和 SIFT 关键点描述子提取前景目标 | 第35-37页 |
| 第3章 Mean shift 算法在目标跟踪中应用分析 | 第37-59页 |
| 3.1 Mean Shift 算法理论基础 | 第37-39页 |
| 3.2 Mean shift 算法原理 | 第39-49页 |
| 3.2.1 扩展 Mean Shift 算法 | 第40-43页 |
| 3.2.2 概率密度梯度 | 第43-44页 |
| 3.2.3 算法步骤 | 第44-46页 |
| 3.2.4 算法的收敛性证明 | 第46-49页 |
| 3.3 Mean shift 算法用于目标跟踪 | 第49-51页 |
| 3.4 基于预测估计的视频跟踪算法 | 第51-59页 |
| 3.4.1 贝叶斯估计 | 第53-54页 |
| 3.4.2 卡尔曼系滤波器 | 第54-56页 |
| 3.4.3 标准粒子滤波 | 第56-59页 |
| 第4章 改进的 Mean shift 和粒子滤波相结合的跟踪算法 | 第59-68页 |
| 4.1 Mean shift 算法与粒子滤波相结合的目标跟踪算法 | 第59-60页 |
| 4.2 软件开发环境 | 第60-61页 |
| 4.3 软件源代码实现比较验证 | 第61-68页 |
| 4.3.1 程序结构组成 | 第61-62页 |
| 4.3.2 前景分析检测 | 第62-63页 |
| 4.3.3 block 块生成 | 第63-64页 |
| 4.3.4 block 跟踪 | 第64-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68-69页 |
| 5.2 展望 | 第69-70页 |
| 结论 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读学位期间取得学术成果 | 第75页 |
