基于机器学习的运动目标识别与跟踪技术研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 运动目标检测研究现状 | 第12-14页 |
| 1.3 运动目标跟踪研究现状 | 第14-15页 |
| 1.4 本文的研究内容和工作安排 | 第15-17页 |
| 第2章 基于码本算法和三帧差分的运动目标检测 | 第17-31页 |
| 2.1 运动目标的基本检测算法 | 第17-22页 |
| 2.1.1 帧间差分法 | 第18-19页 |
| 2.1.2 混合高斯背景建模 | 第19-20页 |
| 2.1.3 码本算法 | 第20-22页 |
| 2.2 融合码本算法和三帧差分法的检测算法 | 第22-27页 |
| 2.2.1 三帧差分法 | 第23-25页 |
| 2.2.2 边缘检测及连通域填充 | 第25-26页 |
| 2.2.3 获取二值图像 | 第26-27页 |
| 2.3 数学形态学处理 | 第27页 |
| 2.4 实验结果与算法评价 | 第27-31页 |
| 第3章 基于HOG特征和SVM分类的目标识别 | 第31-47页 |
| 3.1 支持向量机介绍 | 第31-35页 |
| 3.1.1 支持向量机基本原理 | 第31-34页 |
| 3.1.2 支持向量机核函数 | 第34-35页 |
| 3.1.3 支持向量机的特点 | 第35页 |
| 3.2 基于HOG特征和SVM的对象分类识别 | 第35-42页 |
| 3.2.1 正、负样本制作 | 第36-38页 |
| 3.2.2 HOG特征提取 | 第38-41页 |
| 3.2.3 实现车辆与行人的分类识别 | 第41-42页 |
| 3.3 实验结果与分析 | 第42-47页 |
| 第4章 检测与跟踪并行工作策略 | 第47-63页 |
| 4.1 运动目标跟踪算法 | 第47-57页 |
| 4.1.1 卡尔曼滤波跟踪算法 | 第47-49页 |
| 4.1.2 Mean shift目标跟踪算法 | 第49-53页 |
| 4.1.3 粒子滤波目标跟踪算法 | 第53-55页 |
| 4.1.4 跟踪算法实验结果比较 | 第55-57页 |
| 4.2 运动目标检测与跟踪并行协同化 | 第57-59页 |
| 4.3 实验结果与分析 | 第59-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 论文工作总结 | 第63-64页 |
| 5.2 未来工作展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 在学期间学术成果情况 | 第71-73页 |
| 指导教师及作者简介 | 第73-75页 |
| 致谢 | 第75页 |
