| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 运动目标检测跟踪系统国内外研究现状 | 第11-16页 |
| 1.2.1 运动目标检测算法研究现状 | 第12-14页 |
| 1.2.2 运动目标跟踪算法研究现状 | 第14-15页 |
| 1.2.3 多行人检测跟踪技术研究现状 | 第15-16页 |
| 1.3 多行人目标检测与跟踪技术的难点问题 | 第16-17页 |
| 1.4 论文的主要内容及结构安排 | 第17-20页 |
| 第2章 基于单目视觉技术的行人目标检测技术 | 第20-52页 |
| 2.1 图像预处理技术 | 第20-26页 |
| 2.1.1 中值滤波 | 第20-21页 |
| 2.1.2 数学形态学滤波 | 第21-26页 |
| 2.2 基于图像的行人目标检测算法 | 第26-34页 |
| 2.2.1 行人特征检测描述算子 | 第26-30页 |
| 2.2.2 支持向量机行人检测的实现 | 第30-32页 |
| 2.2.3 实验对比与分析 | 第32-34页 |
| 2.3 基于视频的运动行人目标检测算法 | 第34-50页 |
| 2.3.1 常用的运动目标检测算法 | 第34-37页 |
| 2.3.2 建立背景模型的算法 | 第37-46页 |
| 2.3.3 识别行人目标的方法 | 第46-48页 |
| 2.3.4 实验对比与分析 | 第48-50页 |
| 2.4 本章小结 | 第50-52页 |
| 第3章 目标跟踪理论与技术研究 | 第52-72页 |
| 3.1 Meanshift算法 | 第53-61页 |
| 3.1.1 Meanshift基本理论推导 | 第53-58页 |
| 3.1.2 Meanshift目标跟踪算法 | 第58-61页 |
| 3.2 Camshift算法 | 第61-64页 |
| 3.2.1 Camshift算法思想 | 第61-62页 |
| 3.2.2 Camshift算法流程 | 第62-63页 |
| 3.2.3 实验对比与分析 | 第63-64页 |
| 3.3 卡尔曼滤波算法 | 第64-69页 |
| 3.3.1 卡尔曼滤波理论 | 第65-67页 |
| 3.3.2 基于卡尔曼滤波器的目标跟踪 | 第67-69页 |
| 3.4 实验对比与分析 | 第69-70页 |
| 3.5 本章小结 | 第70-72页 |
| 第4章 基于粒子滤波算法的目标跟踪技术 | 第72-88页 |
| 4.1 粒子滤波算法基本理论 | 第72-77页 |
| 4.1.1 贝叶斯估计理论 | 第72-73页 |
| 4.1.2 蒙特卡罗积分 | 第73页 |
| 4.1.3 重要性采样 | 第73-75页 |
| 4.1.4 序列重要性采样 | 第75页 |
| 4.1.5 粒子匮乏与重采样 | 第75-77页 |
| 4.2 粒子滤波算法基本流程 | 第77-79页 |
| 4.3 本文提出的基于模糊自适应融合的粒子滤波算法 | 第79-85页 |
| 4.3.1 运动模型 | 第79-80页 |
| 4.3.2 基于多特征信息自适应融合的观测模型 | 第80-83页 |
| 4.3.3 基于模糊自适应融合的粒子滤波算法框架 | 第83-85页 |
| 4.4 实验对比与分析 | 第85-86页 |
| 4.5 本章小结 | 第86-88页 |
| 第5章 基于反馈思想的多行人目标跟踪系统设计与实现 | 第88-96页 |
| 5.1 基于反馈思想的多人跟踪系统设计 | 第88-92页 |
| 5.1.1 开环控制环节 | 第89-91页 |
| 5.1.2 闭环控制环节 | 第91-92页 |
| 5.2 基于反馈思想的多人跟踪系统实现 | 第92-95页 |
| 5.2.1 系统操作界面介绍 | 第93页 |
| 5.2.2 多人跟踪实验分析 | 第93-95页 |
| 5.3 本章小结 | 第95-96页 |
| 结论 | 第96-98页 |
| 参考文献 | 第98-104页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第104-106页 |
| 致谢 | 第106页 |