| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第一章 绪论 | 第12-20页 |
| ·研究的背景和意义 | 第12-13页 |
| ·武器自动跟踪 | 第12页 |
| ·基于内容的视频检索 | 第12-13页 |
| ·基于计算机视觉的人机交互 | 第13页 |
| ·智能视频监控 | 第13页 |
| ·运动行为分析 | 第13页 |
| ·运动目标检测和识别的难点 | 第13-14页 |
| ·目前国内外研究现状 | 第14-18页 |
| ·目标检测方法 | 第15-17页 |
| ·目标识别方法 | 第17-18页 |
| ·本文的主要研究内容和创新点 | 第18-19页 |
| ·本文的组织 | 第19-20页 |
| 第二章 运动目标检测和识别理论基础 | 第20-36页 |
| ·图像预处理 | 第20-25页 |
| ·彩色图像灰度化 | 第20-21页 |
| ·图像滤波 | 第21-23页 |
| ·图像形态学处理 | 第23-25页 |
| ·运动目标检测 | 第25-30页 |
| ·背景相减法 | 第26-28页 |
| ·帧间相差法 | 第28页 |
| ·光流计算法 | 第28-29页 |
| ·特征匹配法 | 第29-30页 |
| ·目标识别 | 第30-35页 |
| ·单分类器与多分类器 | 第30-31页 |
| ·监督学习、半监督学习和无监督学习 | 第31页 |
| ·产生式模型与判别式模型 | 第31-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 基于自适应权重更新 ADABOOST 的运动目标检测方法 | 第36-52页 |
| ·引言 | 第36-38页 |
| ·特征权重更新方法 | 第38-47页 |
| ·全局特征权重归一化 | 第38页 |
| ·类内特征权重归一化 | 第38-39页 |
| ·全局特征归一化与类内特征归一化的比较 | 第39-46页 |
| ·基于自适应权重更新 Adaboost 的运动目标检测方法 | 第46-47页 |
| ·实验及讨论 | 第47-51页 |
| ·复杂背景中的人脸目标检测实验 | 第48-49页 |
| ·复杂背景中的实际运动车辆检测实验 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 基于核函数高阶局部特征表示的目标检测方法 | 第52-74页 |
| ·引言 | 第52-54页 |
| ·核函数高阶局部特征表示 | 第54-61页 |
| ·SIFT 局部特征 | 第55-59页 |
| ·核函数高阶局部特征表示 | 第59-60页 |
| ·几何不变空间映射 | 第60-61页 |
| ·基于核函数高阶局部特征表示的目标检测方法 | 第61-64页 |
| ·特征提取与特征码本构造 | 第61-63页 |
| ·训练支持向量机 | 第63-64页 |
| ·实现细节 | 第64页 |
| ·实验及讨论 | 第64-73页 |
| ·核函数高阶局部特征评价 | 第66-69页 |
| ·复杂背景下的人脸检测实验 | 第69-71页 |
| ·复杂背景下的车辆检测实验 | 第71-73页 |
| ·本章小结 | 第73-74页 |
| 第五章 基于特征树模型的目标识别方法 | 第74-93页 |
| ·引言 | 第74-76页 |
| ·相关工作 | 第76页 |
| ·HOG-FLOW 特征提取和表示 | 第76-81页 |
| ·HOG 特征 | 第77-80页 |
| ·FLOW 特征 | 第80-81页 |
| ·特征树的构建和匹配 | 第81-84页 |
| ·基于层次 k 均值聚类的特征树构建 | 第82-83页 |
| ·特征树快速匹配方法 | 第83-84页 |
| ·运动目标检测和识别 | 第84-87页 |
| ·问题建模 | 第84-85页 |
| ·运动目标位置全局滤波 | 第85-87页 |
| ·运动目标识别 | 第87页 |
| ·实验及讨论 | 第87-91页 |
| ·Keck 手势识别实验 | 第88-90页 |
| ·复杂背景运动人体检测实验 | 第90-91页 |
| ·本章小结 | 第91-93页 |
| 第六章 结论与展望 | 第93-96页 |
| ·本文的主要研究工作总结 | 第93-94页 |
| ·下一步的工作重点 | 第94-96页 |
| 参考文献 | 第96-105页 |
| 攻读博士学位期间取得的研究成果 | 第105-107页 |
| 致谢 | 第107-108页 |
| 附件 | 第108页 |