| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状与发展趋势 | 第11-14页 |
| 1.3 论文主要研究内容 | 第14-16页 |
| 1.3.1 背景模型的改进 | 第14页 |
| 1.3.2 连通域求解 | 第14-15页 |
| 1.3.3 基于熵的 HOG 特征提取 | 第15页 |
| 1.3.4 基于头部区域的 SVM 实时检测 | 第15-16页 |
| 1.4 论文章节安排 | 第16-17页 |
| 第二章 相关背景知识 | 第17-27页 |
| 2.1 图像预处理 | 第17-22页 |
| 2.1.1 图像平滑 | 第17-19页 |
| 2.1.2 图像形态学 | 第19-20页 |
| 2.1.3 图像 Gamma 校正 | 第20-22页 |
| 2.2 图像变换 | 第22-26页 |
| 2.2.1 阈值分割 | 第22-23页 |
| 2.2.2 积分图像 | 第23-25页 |
| 2.2.3 直方图与反向投影图 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 运动目标检测 | 第27-53页 |
| 3.1 引言 | 第27页 |
| 3.2 静态背景建模 | 第27-34页 |
| 3.2.1 混合高斯背景模型 | 第28-30页 |
| 3.2.2 权值可变的平均背景模型 | 第30-34页 |
| 3.3 运动区域提取 | 第34-40页 |
| 3.3.1 动态阈值分割 | 第34-36页 |
| 3.3.2 连通域分析 | 第36-39页 |
| 3.3.3 静止区域判断 | 第39-40页 |
| 3.4 基于运动区域的头部检测 | 第40-49页 |
| 3.4.1 HOG 特征提取的过程 | 第41-44页 |
| 3.4.2 HOG 特征提取的改进 | 第44-47页 |
| 3.4.3 基于头部区域的 SVM 训练与检测 | 第47-49页 |
| 3.5 实验结果与分析 | 第49-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第四章 运动目标跟踪 | 第53-63页 |
| 4.1 引言 | 第53页 |
| 4.2 目标跟踪主流算法介绍 | 第53-55页 |
| 4.3 基于 Kalman 滤波器的目标跟踪 | 第55-60页 |
| 4.3.1 Kalman 滤波器方程 | 第55-56页 |
| 4.3.2 Kalman 滤波器在目标跟踪中的应用 | 第56-58页 |
| 4.3.3 数据关联 | 第58-60页 |
| 4.4 实验结果与分析 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 本文主要工作总结 | 第63-64页 |
| 工作展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 附件 | 第71页 |