| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-10页 |
| 插图索引 | 第10-12页 |
| 表格索引 | 第12-13页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 引言 | 第13页 |
| 1.2 多物体跟踪技术的研究意义和国内外现状分析 | 第13-16页 |
| 1.2.1 多物体跟踪的研究意义和研究现状 | 第13-14页 |
| 1.2.2 多物体跟踪的相关技术 | 第14-16页 |
| 1.3 本文主要研究内容 | 第16-18页 |
| 1.4 本文的章节安排 | 第18-20页 |
| 第二章 相关理论知识 | 第20-33页 |
| 2.1 引言 | 第20页 |
| 2.2 非线性贝叶斯跟踪 | 第20-22页 |
| 2.3 粒子滤波算法 | 第22-26页 |
| 2.3.1 蒙特卡罗思想 | 第22-23页 |
| 2.3.2 重要性采样 | 第23-24页 |
| 2.3.3 序贯重要性采样 | 第24-26页 |
| 2.3.4 重采样 | 第26页 |
| 2.3.5 基本粒子滤波算法描述 | 第26页 |
| 2.4 Boosting算法 | 第26-29页 |
| 2.5 数据关联算法 | 第29-32页 |
| 2.6 小结 | 第32-33页 |
| 第三章 运动物体检测与分割 | 第33-53页 |
| 3.1 引言 | 第33-35页 |
| 3.2 背景建模中的矢量量化 | 第35-37页 |
| 3.2.1 图像处理中的矢量量化 | 第36-37页 |
| 3.2.2 前景与背景的贝叶斯分类 | 第37页 |
| 3.3 基于码本模型的背景差法 | 第37-41页 |
| 3.3.1 码本模型 | 第38页 |
| 3.3.2 颜色失真度和亮度失真度 | 第38-39页 |
| 3.3.3 码本的创建、过滤和更新 | 第39-40页 |
| 3.3.4 前景检测 | 第40页 |
| 3.3.5 背景更新 | 第40-41页 |
| 3.4 基于贝叶斯分类的背景差法 | 第41-46页 |
| 3.4.1 特征向量的选取 | 第42-43页 |
| 3.4.2 变化检测 | 第43-44页 |
| 3.4.3 变化分类 | 第44页 |
| 3.4.4 前景目标分割 | 第44页 |
| 3.4.5 背景学习与维护 | 第44-46页 |
| 3.5 运动物体分割 | 第46-47页 |
| 3.6 实验结果及分析 | 第47-52页 |
| 3.7 小结 | 第52-53页 |
| 第四章 多物体跟踪算法 | 第53-83页 |
| 4.1 引言 | 第53页 |
| 4.2 多物体跟踪框架 | 第53-56页 |
| 4.3 基于MCMC的粒子滤波的单物体跟踪器 | 第56-63页 |
| 4.3.1 系统状态空间和动态模型的建立 | 第56-57页 |
| 4.3.2 粒子的初始化 | 第57页 |
| 4.3.3 似然模型 | 第57-59页 |
| 4.3.4 目标模板更新 | 第59-60页 |
| 4.3.5 粒子的重采样 | 第60-62页 |
| 4.3.6 目标定位 | 第62-63页 |
| 4.4 基于On-line Boosting的单物体跟踪器 | 第63-70页 |
| 4.4.1 On-line Boosting算法 | 第63-66页 |
| 4.4.2 图像特征 | 第66-68页 |
| 4.4.3 弱分类器 | 第68页 |
| 4.4.4 On-line Boosting算法用于跟踪 | 第68-70页 |
| 4.5 基于全局最近邻法的数据关联 | 第70-74页 |
| 4.5.1 全局最近邻法 | 第71-73页 |
| 4.5.2 Munkres算法 | 第73-74页 |
| 4.5.3 跟踪器的生成、终止 | 第74页 |
| 4.6 实验结果及分析 | 第74-80页 |
| 4.6.1 单物体跟踪对比 | 第74-80页 |
| 4.6.2 多物体跟踪实验 | 第80页 |
| 4.7 小结 | 第80-83页 |
| 第五章 结论与展望 | 第83-86页 |
| 5.1 工作总结 | 第83-84页 |
| 5.2 工作展望 | 第84-86页 |
| 参考文献 | 第86-95页 |
| 致谢 | 第95-97页 |
| 攻读学位论文期间发表的学术论文目录 | 第97-99页 |