| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题的研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状及面临难题 | 第11-12页 |
| 1.2.1 国内外研究现状 | 第11页 |
| 1.2.2 研究面临的问题 | 第11-12页 |
| 1.3 本文研究内容及结构安排 | 第12-14页 |
| 第2章 运动目标跟踪算法基础 | 第14-21页 |
| 2.1 运动目标检测方法 | 第14-15页 |
| 2.1.1 帧间差分法 | 第14-15页 |
| 2.1.2 背景差分法 | 第15页 |
| 2.1.3 光流法 | 第15页 |
| 2.2 相似性度量方法 | 第15-17页 |
| 2.2.1 欧氏距离 | 第16页 |
| 2.2.2 Bhattacharyya系数 | 第16页 |
| 2.2.3 Hausdorff距离 | 第16-17页 |
| 2.3 滤波预测算法 | 第17-19页 |
| 2.3.1 Kalman滤波算法 | 第17-18页 |
| 2.3.2 扩展Kalman滤波算法 | 第18-19页 |
| 2.4 本章小结 | 第19-21页 |
| 第3章 基于粒子滤波的行人跟踪 | 第21-34页 |
| 3.1 引言 | 第21页 |
| 3.2 粒子滤波理论 | 第21-26页 |
| 3.2.1 蒙特卡罗方法 | 第21-22页 |
| 3.2.2 序列重要性采样 | 第22-23页 |
| 3.2.3 重采样方法 | 第23-24页 |
| 3.2.4 粒子滤波算法流程 | 第24-26页 |
| 3.3 基于颜色直方图的粒子滤波跟踪 | 第26-29页 |
| 3.3.1 系统模型 | 第26页 |
| 3.3.2 观测模型 | 第26-27页 |
| 3.3.3 相似度计算 | 第27-28页 |
| 3.3.4 基于粒子滤波的跟踪算法 | 第28-29页 |
| 3.4 基于混合粒子滤波的行人跟踪 | 第29-33页 |
| 3.4.1 遮挡判别条件 | 第29-30页 |
| 3.4.2 算法描述 | 第30-31页 |
| 3.4.3 实验结果与分析 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于CamShift算法的行人跟踪 | 第34-49页 |
| 4.1 引言 | 第34页 |
| 4.2 颜色模型转换 | 第34-37页 |
| 4.2.1 RGB颜色模型 | 第34-35页 |
| 4.2.2 HSV颜色模型 | 第35-36页 |
| 4.2.3 RGB到HSV的颜色转换 | 第36-37页 |
| 4.3 CamShift算法 | 第37-41页 |
| 4.3.1 无参密度估计理论 | 第37页 |
| 4.3.2 MeanShift向量 | 第37-39页 |
| 4.3.3 MeanShift跟踪算法的实现 | 第39页 |
| 4.3.4 CamShift跟踪算法的基本流程 | 第39-41页 |
| 4.4 基于改进CamShift算法的行人跟踪 | 第41-48页 |
| 4.4.1 颜色信息加权 | 第41页 |
| 4.4.2 自适应阈值筛选方法 | 第41-43页 |
| 4.4.3 改进的CamShift跟踪算法 | 第43-44页 |
| 4.4.4 改进的CamShift与Kalman相融合的行人跟踪算法 | 第44-45页 |
| 4.4.5 实验结果与分析 | 第45-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 作者简介及科研成果 | 第53-54页 |
| 致谢 | 第54页 |