智能视频监控中的行人检测与跟踪方法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第1章 绪论 | 第10-17页 |
| ·研究背景与意义 | 第10-11页 |
| ·智能视频监控概述 | 第11-13页 |
| ·智能视频监控的发展 | 第11-12页 |
| ·智能视频监控的研究内容 | 第12-13页 |
| ·行人检测与跟踪 | 第13页 |
| ·行人检测 | 第13页 |
| ·行人跟踪 | 第13页 |
| ·国内外研究现状 | 第13-15页 |
| ·论文主要研究内容与章节安排 | 第15-17页 |
| 第2章 视频序列图像中运动目标检测与跟踪方法 | 第17-29页 |
| ·图像处理基础 | 第17-22页 |
| ·颜色空间 | 第17-20页 |
| ·图像预处理 | 第20页 |
| ·形态学方法 | 第20-22页 |
| ·运动目标检测方法 | 第22-25页 |
| ·帧差法 | 第22-23页 |
| ·背景差分法 | 第23-24页 |
| ·光流法 | 第24页 |
| ·边缘检测方法 | 第24-25页 |
| ·运动目标跟踪方法 | 第25-28页 |
| ·基于特征的跟踪方法 | 第25-26页 |
| ·基于模型的跟踪方法 | 第26-27页 |
| ·基于主动轮廓的跟踪方法 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于 HOG 的粒子滤波行人跟踪算法 | 第29-48页 |
| ·智能视频监控中的动态场景 | 第29页 |
| ·滤波理论 | 第29-32页 |
| ·滤波问题 | 第29页 |
| ·滤波分类 | 第29-32页 |
| ·HOG 行人检测 | 第32-36页 |
| ·HOG 小型化 | 第36-37页 |
| ·粒子滤波方法 | 第37-43页 |
| ·动态空间模型 | 第38页 |
| ·离散贝叶斯估计 | 第38-39页 |
| ·蒙特卡罗采样 | 第39页 |
| ·贝叶斯重要性采样 | 第39-40页 |
| ·序列化重要性采样 | 第40-42页 |
| ·粒子滤波一般算法描述 | 第42-43页 |
| ·基于HOG 的粒子滤波行人跟踪算法 | 第43-47页 |
| ·动态模型 | 第44页 |
| ·观测模型 | 第44页 |
| ·HOG 鉴别模型 | 第44页 |
| ·算法流程 | 第44-45页 |
| ·仿真实验结果与分析 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第4章 社会治安视频监控系统中的行人检测与跟踪 | 第48-63页 |
| ·社会治安视频监控系统简介 | 第48-49页 |
| ·社会治安视频监控中的图像处理 | 第49-51页 |
| ·系统整体架构 | 第49-50页 |
| ·系统软件结构设计 | 第50页 |
| ·动态视频图像特征智能识别技术 | 第50-51页 |
| ·行人检测和跟踪模块的实现 | 第51-60页 |
| ·图像提取和预处理 | 第53-54页 |
| ·运动目标分割 | 第54-55页 |
| ·目标分类 | 第55-56页 |
| ·目标特征提取 | 第56-58页 |
| ·行人目标跟踪 | 第58-60页 |
| ·实验结果与分析 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-65页 |
| ·本文工作总结 | 第63页 |
| ·未来工作展望 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 致谢 | 第67-68页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第68页 |
