| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·研究背景及意义 | 第8-9页 |
| ·国内外研究现状 | 第9-11页 |
| ·论文的主要研究内容及研究目标 | 第11-12页 |
| ·论文的结构安排 | 第12-14页 |
| 第二章 运动目标检测 | 第14-29页 |
| ·概述 | 第14-16页 |
| ·采用混合模型的运动目标分割 | 第16-25页 |
| ·基于时空中心对称局部二值模式的目标检测 | 第17-19页 |
| ·时空中心对称局部二值模式 | 第17-18页 |
| ·时空中心对称局部二值模式下目标检测模型 | 第18-19页 |
| ·基于无偏卡尔曼滤波的背景提取及目标检测 | 第19-23页 |
| ·无偏卡尔曼滤波(UKF)简介 | 第19-21页 |
| ·基于UKF的目标检测 | 第21-23页 |
| ·混合背景模型下的目标检测 | 第23-25页 |
| ·混合目标检测模型 | 第23-24页 |
| ·混合策略 | 第24-25页 |
| ·快速运动检测及阴影去除 | 第25页 |
| ·实验结果与分析 | 第25-28页 |
| ·模型参数的选取 | 第25-26页 |
| ·不同背景模型的运动目标检测实验 | 第26-28页 |
| ·小结 | 第28-29页 |
| 第三章 运动目标跟踪 | 第29-48页 |
| ·概述 | 第29-32页 |
| ·结合卡尔曼滤波粗预测和Mean-shift算法的目标跟踪 | 第32-39页 |
| ·卡尔曼滤波和Mean-shift算法 | 第32-34页 |
| ·Mean-shift框架下的目标跟踪 | 第34-38页 |
| ·结合卡尔曼滤波粗预测和Mean-shift算法的目标跟踪 | 第38-39页 |
| ·基于HybridBoost多特征选择的目标精确跟踪 | 第39-43页 |
| ·AdaBoost和RankBoost算法简介 | 第39-40页 |
| ·基于HybridBoost的目标特征选择 | 第40-43页 |
| ·实时、稳定的运动目标跟踪 | 第43页 |
| ·实验结果与分析 | 第43-47页 |
| ·小结 | 第47-48页 |
| 第四章 运动目标的中心定位及轨迹提取 | 第48-57页 |
| ·概述 | 第48-49页 |
| ·二值数学形态学 | 第49-51页 |
| ·连通性分析 | 第51-52页 |
| ·目标中心定位 | 第52-56页 |
| ·小结 | 第56-57页 |
| 第五章 基于轨迹分析的行为识别 | 第57-69页 |
| ·概述 | 第57-58页 |
| ·轨迹表示及DTW相似性度量 | 第58-60页 |
| ·轨迹特征提取 | 第58-59页 |
| ·动态时间归正(DTW)技术 | 第59-60页 |
| ·基于DTW的模糊C均值轨迹聚类 | 第60-62页 |
| ·轨迹聚类 | 第60-61页 |
| ·采用DTW的模糊C均值轨迹聚类 | 第61-62页 |
| ·基于轨迹的运动行为识别 | 第62-65页 |
| ·结合DTW和K近邻算法的行为匹配 | 第62-63页 |
| ·基于DTW下界函数的快速K近邻行为匹配算法 | 第63-64页 |
| ·行人运动行为识别 | 第64-65页 |
| ·实验结果及分析 | 第65-68页 |
| ·实验数据的建立 | 第66-67页 |
| ·结果分析 | 第67-68页 |
| ·小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-70页 |
| 参考文献 | 第70-77页 |
| 致谢 | 第77-78页 |
| 攻读学位期间的主要研究成果 | 第78页 |
