| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 运动目标检测与跟踪的目的和意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.3.1 运动目标检测研究现状 | 第13-14页 |
| 1.3.2 运动目标跟踪研究现状 | 第14-15页 |
| 1.4 技术研究内容 | 第15-16页 |
| 1.4.1 技术实现难点 | 第15-16页 |
| 1.4.2 论文的主要贡献 | 第16页 |
| 1.5 论文组织结构 | 第16-18页 |
| 第2章 理论基础 | 第18-23页 |
| 2.1 运动目标检测现有基本方法 | 第18-21页 |
| 2.1.1 背景减法 | 第18-19页 |
| 2.1.2 帧差法 | 第19-20页 |
| 2.1.3 光流法 | 第20-21页 |
| 2.2 运动目标跟踪现有基本方法 | 第21-22页 |
| 2.2.1 基于模型的跟踪方法 | 第21-22页 |
| 2.2.2 基于区域的跟踪方法 | 第22页 |
| 2.2.3 基于模板的跟踪方法 | 第22页 |
| 2.2.4 基于特征的跟踪方法 | 第22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 基于交错帧差与改进的高斯模型的运动车辆检测 | 第23-33页 |
| 3.1 引言 | 第23-24页 |
| 3.2 视频帧预处理 | 第24-25页 |
| 3.3 运动目标区域粗定位 | 第25-26页 |
| 3.3.1 运动目标区域分块 | 第25页 |
| 3.3.2 基于交错帧差的粗定位 | 第25-26页 |
| 3.4 运动目标区域精定位 | 第26-28页 |
| 3.4.1 基于改进的高斯模型的精定位 | 第26-27页 |
| 3.4.2 背景区域的更新策略 | 第27-28页 |
| 3.5 检测结果后处理 | 第28页 |
| 3.6 实验结果与分析 | 第28-32页 |
| 3.7 本章小结 | 第32-33页 |
| 第4章 基于改进的霍夫森林的运动目标检测 | 第33-41页 |
| 4.1 引言 | 第33-34页 |
| 4.2 特征提取 | 第34-35页 |
| 4.2.1 梯度方向直方图特征 | 第34-35页 |
| 4.2.2 颜色特征 | 第35页 |
| 4.3 改进的霍夫森林训练算法 | 第35-36页 |
| 4.4 改进的Hough森林投票 | 第36-37页 |
| 4.5 实验结果与分析 | 第37-39页 |
| 4.5.1 算法性能评价标准 | 第37页 |
| 4.5.2 多特征融合性能评价 | 第37-38页 |
| 4.5.3 总体检测结果性能评价 | 第38-39页 |
| 4.6 本章小结 | 第39-41页 |
| 第5章 基于分片的多特征自适应融合的运动目标跟踪 | 第41-51页 |
| 5.1 引言 | 第41-42页 |
| 5.2 跟踪目标区域分片 | 第42页 |
| 5.2.1 目标分片 | 第42页 |
| 5.2.2 分片跟踪原理 | 第42页 |
| 5.3 模型表示 | 第42-44页 |
| 5.3.1 目标和候选模型建立 | 第42-43页 |
| 5.3.2 相似性度量 | 第43页 |
| 5.3.3 权值的自适应融合策略 | 第43-44页 |
| 5.4 遮挡检测与处理 | 第44-45页 |
| 5.4.1 无效片判断 | 第44页 |
| 5.4.2 遮挡类型判断 | 第44-45页 |
| 5.5 跟踪算法描述 | 第45-46页 |
| 5.6 实验结果与分析 | 第46-50页 |
| 5.6.1 单一特征跟踪结果 | 第46-47页 |
| 5.6.2 特征融合实验结果 | 第47-48页 |
| 5.6.3 部分遮挡情况下的跟踪结果 | 第48-49页 |
| 5.6.4 综合实验结果 | 第49-50页 |
| 5.7 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 参考文献 | 第53-59页 |
| 致谢 | 第59-60页 |
| 攻读硕士学位期间的主要成果 | 第60页 |