视频中行人检测与跟踪方法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 行人检测研究现状 | 第9-10页 |
| 1.2.2 行人跟踪研究现状 | 第10-12页 |
| 1.3 研究内容与章节安排 | 第12-14页 |
| 2 行人检测与跟踪系统 | 第14-18页 |
| 2.1 系统方案 | 第14页 |
| 2.2 运动区域处理 | 第14-17页 |
| 2.2.1 噪声抑制 | 第14-16页 |
| 2.2.2 形态分析 | 第16-17页 |
| 2.3 运动物体的特征提取 | 第17页 |
| 2.4 本章小结 | 第17-18页 |
| 3 运动物体检测方法 | 第18-30页 |
| 3.1 检测方法研究 | 第18-19页 |
| 3.1.1 帧间差分法 | 第18页 |
| 3.1.2 光流法 | 第18-19页 |
| 3.1.3 背景建模法 | 第19页 |
| 3.2 基于背景建模的运动物体检测方法 | 第19-24页 |
| 3.2.1 混合高斯背景建 | 第19-21页 |
| 3.2.2 Codebook背景建模 | 第21-22页 |
| 3.2.3 Vi Be背景建模 | 第22-24页 |
| 3.3 Vi Be背景建模改进研究 | 第24-26页 |
| 3.3.1 Vi Be算法改进 | 第24-26页 |
| 3.4 改进Vi Be算法实验结果与分析 | 第26-29页 |
| 3.4.1 动态阈值对比 | 第26-27页 |
| 3.4.2 鬼影消除对比 | 第27-28页 |
| 3.4.3 样本重复统计对比 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 4 基于SVM的行人检测 | 第30-40页 |
| 4.1 基于机器学习的图像分类 | 第30-36页 |
| 4.1.1 图像特征 | 第30-33页 |
| 4.1.2 图像分类算法 | 第33-36页 |
| 4.2 基于HOG特征和SVM的行人分类 | 第36-37页 |
| 4.3 实验结果及分析 | 第37-39页 |
| 4.3.1 样本选择 | 第37页 |
| 4.3.2 分类器训练与评估 | 第37-39页 |
| 4.4 本章小结 | 第39-40页 |
| 5 行人跟踪方法研究 | 第40-64页 |
| 5.1 Mean-shift跟踪算法 | 第40-43页 |
| 5.1.1 Mean-shift算法原理 | 第40-42页 |
| 5.1.2 Mean-shift算法分析 | 第42-43页 |
| 5.2 ASMS跟踪算法 | 第43-48页 |
| 5.2.1 ASMS算法原理 | 第44-48页 |
| 5.2.2 ASMS算法分析 | 第48页 |
| 5.3 KCF跟踪算法 | 第48-53页 |
| 5.3.1 KCF算法基础知识 | 第49-50页 |
| 5.3.2 KCF跟踪算法原理 | 第50-52页 |
| 5.3.3 KCF跟踪算法分析 | 第52-53页 |
| 5.4 实验结果与分析 | 第53-62页 |
| 5.5 本章小结 | 第62-64页 |
| 6 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-70页 |
