| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪论 | 第12-26页 |
| ·研究意义 | 第12-13页 |
| ·研究现状 | 第13-19页 |
| ·智能监控系统的发展趋势 | 第19-20页 |
| ·关键技术及目前存在的问题 | 第20-22页 |
| ·关键技术 | 第20-22页 |
| ·目前存在的问题 | 第22页 |
| ·本文的主要工作 | 第22-26页 |
| ·主要研究内容 | 第22-25页 |
| ·论文结构 | 第25-26页 |
| 第2章 分布式智能视觉监控系统DIVSS平台 | 第26-36页 |
| ·DIVSS平台设计思路 | 第26-29页 |
| ·应用模型 | 第26-27页 |
| ·Multi-Agent间协调机制 | 第27-29页 |
| ·满足服务质量的数据传输需求 | 第29页 |
| ·DIVSS平台结构设计 | 第29-35页 |
| ·DIVSS平台体系结构 | 第30页 |
| ·基于消息组的发布/订阅Agent间协调模型 | 第30-31页 |
| ·基于服务质量的数据传输 | 第31-35页 |
| ·小结 | 第35-36页 |
| 第3章 目标检测与跟踪 | 第36-56页 |
| ·前景检测基本方法 | 第36-40页 |
| ·背景消减法 | 第37-39页 |
| ·相邻帧差分 | 第39页 |
| ·光流方法 | 第39-40页 |
| ·面向室内监控场景的前景目标稳定检测方法 | 第40-43页 |
| ·问题分析 | 第40-41页 |
| ·前景目标稳定检测算法 | 第41-43页 |
| ·基于概率框架的目标跟踪 | 第43-49页 |
| ·相关研究 | 第44-45页 |
| ·基于Particle Filter粒子滤波跟踪算法描述 | 第45-47页 |
| ·目标模型 | 第47-49页 |
| ·概率跟踪算法实现的框架 | 第49页 |
| ·实验结果及分析 | 第49-54页 |
| ·目标检测实验结果 | 第49-54页 |
| ·目标跟踪实验结果 | 第54页 |
| ·小结 | 第54-56页 |
| 第4章 基于支持向量机方法的人脸识别 | 第56-66页 |
| ·引言 | 第56-58页 |
| ·多类支持向量机概率建模 | 第58-60页 |
| ·投票法及存在的问题 | 第58-59页 |
| ·直接求解后验概率方法 | 第59-60页 |
| ·基于概率支持向量机方法的人脸识别 | 第60-62页 |
| ·基于肤色模型的人脸提取 | 第61页 |
| ·人脸图像光照校正 | 第61-62页 |
| ·基于概率支持向量机方法的人脸识别 | 第62页 |
| ·实验结果及分析 | 第62-64页 |
| ·多类支持向量机概率建模分析 | 第62-63页 |
| ·人脸识别结果分析 | 第63-64页 |
| ·小结 | 第64-66页 |
| 第5章 基于多层事件融合的场景事件实时分析 | 第66-90页 |
| ·引言 | 第66-67页 |
| ·事件及事件层次性 | 第67-69页 |
| ·基于多层事件融合的场景事件建模 | 第69-75页 |
| ·多层事件融合分析框架 | 第69-71页 |
| ·基于分层动态贝叶斯网络的事件融合模型 | 第71-75页 |
| ·面向分层动态贝叶斯模型的实时推理方法 | 第75-82页 |
| ·引言 | 第75-76页 |
| ·Particle Filter推理方法 | 第76-78页 |
| ·RBPF推理方法 | 第78-82页 |
| ·实验结果分析 | 第82-89页 |
| ·小结 | 第89-90页 |
| 第6章 总结与展望 | 第90-93页 |
| ·主要工作总结 | 第90-92页 |
| ·今后工作展望 | 第92-93页 |
| 参考文献 | 第93-103页 |
| 致谢 | 第103-104页 |
| 攻读博士学位期间参加的科研项目 | 第104-105页 |
| 攻读博士期间发表的论文 | 第105页 |