| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 课题研究的背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 目标跟踪的难点 | 第10页 |
| 1.4 主要的工作及安排 | 第10-12页 |
| 2 运动目标检测算法 | 第12-25页 |
| 2.1 引言 | 第12页 |
| 2.2 常用的目标检测算法 | 第12-15页 |
| 2.2.1 光流法 | 第12-13页 |
| 2.2.2 相邻帧差法 | 第13-14页 |
| 2.2.3 背景差法 | 第14-15页 |
| 2.3 背景建模算法 | 第15-25页 |
| 2.3.1 背景提取与更新算法概述 | 第16-21页 |
| 2.3.2 基于 AKGMM 的背景提取与更新算法 | 第21-22页 |
| 2.3.3 模型更新 | 第22-23页 |
| 2.3.4 实验结果及分析 | 第23-25页 |
| 3 运动目标跟踪算法 | 第25-37页 |
| 3.1 引言 | 第25-26页 |
| 3.2 目标跟踪算法的分类 | 第26页 |
| 3.3 目标跟踪方法 | 第26-29页 |
| 3.3.1 基于特征的跟踪方法 | 第27页 |
| 3.3.2 基于 3D 的跟踪方法 | 第27页 |
| 3.3.3 基于主动轮廓的跟踪方法 | 第27-28页 |
| 3.3.4 基于运动估计的跟踪方法 | 第28-29页 |
| 3.4 颜色特征的提取 | 第29-32页 |
| 3.4.1 RGB 模型 | 第29-30页 |
| 3.4.2 HSV 模型 | 第30-31页 |
| 3.4.3 RGB 颜色空间到 HSV 颜色空间的转换 | 第31-32页 |
| 3.5 形状特征的提取 | 第32-36页 |
| 3.5.1 图像平滑 | 第32-34页 |
| 3.5.2 边缘提取 | 第34-36页 |
| 3.6 小结 | 第36-37页 |
| 4 粒子滤波算法 | 第37-46页 |
| 4.1 引言 | 第37页 |
| 4.2 最优贝叶斯估计 | 第37-39页 |
| 4.3 蒙特卡罗方法 | 第39页 |
| 4.4 重要性采样 | 第39-40页 |
| 4.5 序贯重要性采样 | 第40-41页 |
| 4.6 粒子匮乏与重采样 | 第41-42页 |
| 4.7 粒子滤波算法描述 | 第42-43页 |
| 4.8 仿真实验 | 第43-46页 |
| 5 运用聚类方法的分层采样粒子滤波算法 | 第46-55页 |
| 5.1 分层采样理论 | 第46-47页 |
| 5.2 聚类算法 | 第47-49页 |
| 5.2.1 聚类算法简介 | 第47-48页 |
| 5.2.2 K-means 算法 | 第48页 |
| 5.2.3 结合粒子滤波的 K-means 算法 | 第48-49页 |
| 5.3 算法流程 | 第49-51页 |
| 5.4 实验结果 | 第51-55页 |
| 6 总结与展望 | 第55-56页 |
| 6.1 工作总结 | 第55页 |
| 6.2 工作展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录 | 第60页 |
| A. 作者在攻读学位期间发表的论文 | 第60页 |