| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 运动目标检测国内外研究现状 | 第10-11页 |
| 1.2.2 行人检测与跟踪国内外研究现状 | 第11-14页 |
| 1.2.3 人体行为分析国内外研究现状 | 第14-16页 |
| 1.3 研究内容及章节安排 | 第16-19页 |
| 第2章 基于颜色和纹理置信融合的运动目标检测 | 第19-32页 |
| 2.1 背景建模 | 第19-22页 |
| 2.1.1 SILTP纹理编码 | 第19-20页 |
| 2.1.2 Vibe算法 | 第20-21页 |
| 2.1.3 背景模型的表示及初始化 | 第21-22页 |
| 2.2 运动目标检测 | 第22-25页 |
| 2.2.1 SILTP纹理差异度计算 | 第24页 |
| 2.2.2 RGB颜色差异度计算 | 第24-25页 |
| 2.2.3 置信度更新及前景检测 | 第25页 |
| 2.3 噪点去除及模型更新 | 第25-27页 |
| 2.4 实验结果与分析 | 第27-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于DPM的行人检测和多行人跟踪 | 第32-59页 |
| 3.1 基于DPM的行人检测 | 第32-43页 |
| 3.1.1 HOG特征 | 第33-35页 |
| 3.1.2 DPM特征选取 | 第35-36页 |
| 3.1.3 DPM模型结构及训练 | 第36-39页 |
| 3.1.4 目标匹配 | 第39-40页 |
| 3.1.5 实验结果与分析 | 第40-43页 |
| 3.2 基于Kalman滤波的单行人跟踪 | 第43-50页 |
| 3.2.1 状态空间模型 | 第44-45页 |
| 3.2.2 Kalman滤波算法 | 第45-46页 |
| 3.2.3 单行人跟踪算法 | 第46-48页 |
| 3.2.4 仿真实验结果与分析 | 第48-50页 |
| 3.3 JPDA数据关联算法介绍 | 第50-53页 |
| 3.3.1 JPDA算法的状态空间模型 | 第50页 |
| 3.3.2 JPDA算法原理 | 第50-53页 |
| 3.4 基于数据关联和Kalman滤波的多行人跟踪算法 | 第53-55页 |
| 3.5 实验结果与分析 | 第55-57页 |
| 3.6 本章小结 | 第57-59页 |
| 第4章 基于时空兴趣点的人体行为分析 | 第59-67页 |
| 4.1 特征提取 | 第59-61页 |
| 4.1.1 时空兴趣点提取 | 第59-61页 |
| 4.1.2 宽高比和速度特征提取 | 第61页 |
| 4.2 基于K-means算法的特征分类 | 第61-62页 |
| 4.3 相似度匹配 | 第62-63页 |
| 4.4 总体流程及算法 | 第63-64页 |
| 4.5 实验结果与分析 | 第64-66页 |
| 4.6 本章小结 | 第66-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 5.1 本文工作总结 | 第67-68页 |
| 5.2 未来工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第74页 |