| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-16页 |
| ·研究背景及意义 | 第9页 |
| ·视频监控的发展 | 第9-13页 |
| ·传统视频监控系统 | 第9-10页 |
| ·智能视频监控系统 | 第10-11页 |
| ·智能视频监控应用前景 | 第11-12页 |
| ·智能视频监控研究现状 | 第12-13页 |
| ·本文研究内容与创新点 | 第13-14页 |
| ·本文内容安排 | 第14-16页 |
| 第二章 智能视觉监控系统综述 | 第16-23页 |
| ·智能视觉监控系统结构 | 第16页 |
| ·智能视觉监控系统关键技术 | 第16-21页 |
| ·目标提取 | 第16-17页 |
| ·目标分类 | 第17-20页 |
| ·目标跟踪 | 第20-21页 |
| ·行为理解 | 第21页 |
| ·本章小结 | 第21页 |
| ·本章参考文献 | 第21-23页 |
| 第三章 运动目标物提取 | 第23-45页 |
| ·运动目标物提取算法概述 | 第23-25页 |
| ·时域差分法(Temporal Difference) | 第23-24页 |
| ·光流法(Optical Flow) | 第24页 |
| ·背景减除法(Background Subtraction) | 第24-25页 |
| ·已有的背景减除法 | 第25-35页 |
| ·增量式高斯平均(Running Gaussian Average) | 第26-27页 |
| ·混合高斯模型(Mixture of Gaussians) | 第27-29页 |
| ·核密度估计(Kernel Density Estimation) | 第29-30页 |
| ·特征背景建模(Eigen-Background Modeling) | 第30-31页 |
| ·基于纹理的背景减除法(Texture-Base Method) | 第31-35页 |
| ·改进的基于纹理的背景减除法 | 第35-43页 |
| ·对分割精度的改进 | 第35-39页 |
| ·对背景适应能力的改进 | 第39-40页 |
| ·实验结果 | 第40-43页 |
| ·本章小结 | 第43页 |
| ·本章参考文献 | 第43-45页 |
| 第四章 运动目标物跟踪 | 第45-76页 |
| ·目标跟踪算法概述 | 第45-48页 |
| ·目标物表示 | 第45-47页 |
| ·运动状态估计 | 第47-48页 |
| ·均值位移(Mean Shift) | 第48-51页 |
| ·在线贝叶斯跟踪(Online Bayesian Tracking) | 第51-61页 |
| ·基本原理 | 第51-52页 |
| ·卡尔曼滤波器(Kalman Filter) | 第52-55页 |
| ·粒子滤波器(Particle Filter) | 第55-61页 |
| ·使用多特征融合和改进的粒子滤波器的视觉跟踪 | 第61-73页 |
| ·运动模型 | 第61-62页 |
| ·观测模型 | 第62-66页 |
| ·改进的粒子滤波器 | 第66-70页 |
| ·实验结果 | 第70-73页 |
| ·本章小结 | 第73页 |
| ·本章参考文献 | 第73-76页 |
| 第五章 总结与展望 | 第76-78页 |
| ·工作总结 | 第76-77页 |
| ·研究展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 作者攻读学位期间发表的学术论文目录 | 第79页 |
