| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·智能监控视频分析技术的选题背景 | 第10-11页 |
| ·智能监控视频分析技术的研究意义 | 第11-12页 |
| ·智能监控视频分析技术的国内外研究现状 | 第12-14页 |
| ·本课题的主要研究内容和章节安排 | 第14-16页 |
| 第二章 视频监控系统和数字图像处理的相关知识 | 第16-29页 |
| ·视频监控系统的发展和智能视频监控技术 | 第16-17页 |
| ·视频监控系统的发展 | 第16-17页 |
| ·智能视频监控技术的定义 | 第17页 |
| ·支持向量机的基本原理 | 第17-20页 |
| ·图像的颜色空间 | 第20-24页 |
| ·RGB颜色空间 | 第20-21页 |
| ·HSV颜色空间 | 第21-22页 |
| ·OPENCV中RGB、HSV以及GRAY之间的相互转换 | 第22-24页 |
| ·图像的二值化 | 第24-25页 |
| ·特征提取 | 第25-29页 |
| ·颜色特征 | 第25-26页 |
| ·纹理特征 | 第26-27页 |
| ·形状特征 | 第27页 |
| ·空间位置特征 | 第27-29页 |
| 第三章 监控视频中运动目标的检测分割 | 第29-44页 |
| ·图像分割方法的提出 | 第29页 |
| ·静止图像分割方法 | 第29-31页 |
| ·基于数学形态学的分割算法 | 第30页 |
| ·基于特征空间聚类的算法 | 第30-31页 |
| ·基于小波变换的分割技术 | 第31页 |
| ·利用神经网络的分割技术 | 第31页 |
| ·运动图像分割算法 | 第31-33页 |
| ·基于运动图像本身特征的分割方法 | 第31-33页 |
| ·基于人工参与程度的分割方法 | 第33页 |
| ·新的图像分割方法 | 第33-36页 |
| ·支持向量机(SVM)算法 | 第34页 |
| ·贝叶斯(Bayesian)决策理论 | 第34-35页 |
| ·遗传算法 | 第35页 |
| ·基于模糊集理论的分割方法 | 第35-36页 |
| ·神经网络算法、小波理论 | 第36页 |
| ·本课题用到的基于SVM的运动对象分割方法 | 第36-39页 |
| ·训练样本和训练特征的选择 | 第37-38页 |
| ·训练和测试数据的建立 | 第38-39页 |
| ·仿真实验及结果分析 | 第39-44页 |
| ·不同核函数下分割性能比较 | 第39-40页 |
| ·基于不同方法的运动对象分割 | 第40-42页 |
| ·实验总结 | 第42-44页 |
| 第四章 监控视频中运动目标的跟踪算法 | 第44-63页 |
| ·运动对象跟踪的综述 | 第44-48页 |
| ·目标跟踪的提出 | 第44页 |
| ·跟踪方法的分类 | 第44-47页 |
| ·特征选择 | 第47-48页 |
| ·搜索算法 | 第48页 |
| ·均值平移(Meanshift)算法 | 第48-52页 |
| ·目标模型的描述 | 第49页 |
| ·候选模型的描述 | 第49-50页 |
| ·相似性函数 | 第50页 |
| ·目标定位 | 第50-51页 |
| ·Meanshift算法流程 | 第51-52页 |
| ·Camshift算法 | 第52-56页 |
| ·Camshift算法颜色特征提取 | 第52-53页 |
| ·Camshift算法的搜索过程 | 第53-54页 |
| ·Camshift算法的步骤 | 第54-55页 |
| ·性能分析 | 第55-56页 |
| ·Kalman滤波器算法 | 第56-59页 |
| ·Kalman滤波器原理 | 第56-58页 |
| ·Kalman滤波器的跟踪过程 | 第58-59页 |
| ·本课题的跟踪方法 | 第59-63页 |
| ·基于Kalman滤波器的Camshift目标跟踪算法 | 第59-61页 |
| ·仿真实验及结果分析 | 第61-63页 |
| 第五章 总结与展望 | 第63-65页 |
| ·总结 | 第63页 |
| ·展望 | 第63-65页 |
| 参考文献 | 第65-72页 |
| 后记 | 第72-73页 |
| 攻读硕士学位期间论文发表及科研情况 | 第73页 |