| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景与选题意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 行人检测 | 第10-11页 |
| 1.2.2 目标跟踪 | 第11-12页 |
| 1.3 本文研究内容及章节安排 | 第12-14页 |
| 第2章 基于HOG特征和线性支持向量机的行人检测算法 | 第14-27页 |
| 2.1 HOG特征提取 | 第14-17页 |
| 2.1.1 Gamma校正 | 第14-15页 |
| 2.1.2 梯度计算 | 第15页 |
| 2.1.3 细胞单元内梯度信息加权统计 | 第15页 |
| 2.1.4 块内归一化 | 第15-17页 |
| 2.1.5 生成HOG特征 | 第17页 |
| 2.2 HOG特征改进 | 第17-19页 |
| 2.2.1 PCA降维 | 第17-18页 |
| 2.2.2 积分图 | 第18-19页 |
| 2.3 线性支持向量机 | 第19-22页 |
| 2.4 多尺度行人检测 | 第22页 |
| 2.5 实验结果 | 第22-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于混合高斯背景建模方法的运动区域检测算法 | 第27-41页 |
| 3.1 运动区域检测方法 | 第27-31页 |
| 3.1.1 帧差法 | 第27-30页 |
| 3.1.2 背景减除法 | 第30页 |
| 3.1.3 光流法 | 第30-31页 |
| 3.2 混合高斯背景建模方法 | 第31-34页 |
| 3.3 帧差法与混合高斯背景建模方法对比实验 | 第34-35页 |
| 3.4 运动区域的形态学处理 | 第35-37页 |
| 3.4.1 腐蚀 | 第35-36页 |
| 3.4.2 膨胀 | 第36页 |
| 3.4.3 开操作和闭操作 | 第36-37页 |
| 3.4.4 运动区域的形态学操作 | 第37页 |
| 3.5 基于感兴趣区域的行人检测算法实现 | 第37-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第4章 基于运动区域检测和Camshift算法的目标跟踪算法 | 第41-57页 |
| 4.1 目标的背景投影图 | 第41-45页 |
| 4.1.1 RGB空间到HSV空间的转换 | 第41-43页 |
| 4.1.2 颜色直方图 | 第43-45页 |
| 4.1.3 背景投影图 | 第45页 |
| 4.2 Meanshift跟踪算法理论 | 第45-49页 |
| 4.2.1 Meanshift过程 | 第46-47页 |
| 4.2.2 Meanshift跟踪算法实现 | 第47-49页 |
| 4.3 Camshift跟踪算法 | 第49-56页 |
| 4.3.1 Camshift跟踪算法原理 | 第49-51页 |
| 4.3.2 Camshift跟踪算法的优点与不足 | 第51-52页 |
| 4.3.3 基于运动区域检测的Camshift跟踪算法 | 第52-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 室内监控视频中的行人检测与跟踪系统实现 | 第57-62页 |
| 5.1 系统应用背景 | 第57页 |
| 5.2 系统模块组成与软件实现 | 第57-61页 |
| 5.2.1 系统模块组成 | 第57-58页 |
| 5.2.2 系统软件实现 | 第58-61页 |
| 5.3 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
