| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景及研究意义 | 第10-12页 |
| 1.1.1 计算机视觉 | 第10-11页 |
| 1.1.2 视频目标检测 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 运动目标检测和跟踪 | 第13-16页 |
| 1.3.1 运动目标检测 | 第14-15页 |
| 1.3.2 运动目标跟踪 | 第15-16页 |
| 1.4 复杂背景的特征 | 第16-17页 |
| 1.5 文章内容安排 | 第17-19页 |
| 第二章 运动目标检测算法 | 第19-36页 |
| 2.1 引言 | 第19页 |
| 2.2 图像预处理 | 第19-22页 |
| 2.2.1 图像去噪 | 第19-20页 |
| 2.2.2 Retinex图像增强 | 第20-22页 |
| 2.2.3 多尺度MSR(Multi Scale Retinex) | 第22页 |
| 2.3 运动目标检测 | 第22-29页 |
| 2.3.1 帧间差分法（TIFD） | 第23-24页 |
| 2.3.2 光流法 (Optical Flow) | 第24-29页 |
| 2.4 形态学滤波 | 第29页 |
| 2.5 目标定位算法 | 第29-32页 |
| 2.5.1 目标投影定位算法 | 第30-31页 |
| 2.5.2 目标噪点和目标投影判定规则 | 第31-32页 |
| 2.6 基于帧差和光流法的检测算法 | 第32-35页 |
| 2.7 本章小结 | 第35-36页 |
| 第三章 运动目标跟踪算法 | 第36-58页 |
| 3.1 引言 | 第36-37页 |
| 3.2 运动目标模型 | 第37-39页 |
| 3.2.1 Singer模型 | 第37-38页 |
| 3.2.2“当前”统计模型 | 第38-39页 |
| 3.3“当前”统计模型的自适应跟踪算法 | 第39-42页 |
| 3.3.1 卡尔曼滤波器 | 第40-41页 |
| 3.3.2 自适应卡尔曼滤波算法 | 第41-42页 |
| 3.4 自适应跟踪跟踪波门设计 | 第42-43页 |
| 3.5 基于核的跟踪方法 | 第43-46页 |
| 3.6 单目标跟踪实验及结果分析 | 第46-56页 |
| 3.6.1 算法对比跟踪实验 | 第47-50页 |
| 3.6.2 动态复杂背景单目标跟踪实验 | 第50-56页 |
| 3.7 本章小结 | 第56-58页 |
| 第四章 多目标跟踪算法 | 第58-65页 |
| 4.1 引言 | 第58-59页 |
| 4.2 多目标跟踪的难点描述 | 第59-60页 |
| 4.3 航迹关联多目标跟踪算法 | 第60-61页 |
| 4.3.1 运动关联度的概念 | 第60页 |
| 4.3.2 航迹关联的多目标跟踪方法 | 第60-61页 |
| 4.4 视频多目标跟踪的算法结构 | 第61-62页 |
| 4.5 实验结果及分析讨论 | 第62-64页 |
| 4.6 本章小结 | 第64-65页 |
| 第五章 视频图像的多目标跟踪 | 第65-79页 |
| 5.1 引言 | 第65页 |
| 5.2 视频多目标运动跟踪算法研究 | 第65-69页 |
| 5.3 视频多目标跟踪实验及结果分析 | 第69-78页 |
| 5.3.1 刚体多目标跟踪实验 | 第69-73页 |
| 5.3.2 非刚体多目标遮挡跟踪实验 | 第73-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第六章 总结与展望 | 第79-81页 |
| 6.1 全文总结 | 第79-80页 |
| 6.2 论文后续展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-85页 |