| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题的研究背景和意义 | 第10页 |
| 1.2 课题研究现状 | 第10-13页 |
| 1.2.1 运动目标检测 | 第10-12页 |
| 1.2.2 运动目标跟踪 | 第12-13页 |
| 1.3 本文的结构安排及主要研究内容 | 第13-15页 |
| 第2章 运动目标检测与跟踪基础理论 | 第15-23页 |
| 2.1 引言 | 第15页 |
| 2.2 图像预处理 | 第15-17页 |
| 2.2.1 图像灰度化 | 第15页 |
| 2.2.2 图像滤波 | 第15-17页 |
| 2.3 图像形态学处理 | 第17-18页 |
| 2.4 图像特征提取 | 第18-22页 |
| 2.4.1 颜色直方图 | 第18-20页 |
| 2.4.2 梯度方向直方图 | 第20-22页 |
| 2.4.3 局部二值模型 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 移动机器人运动检测技术 | 第23-41页 |
| 3.1 引言 | 第23页 |
| 3.2 静态背景下运动目标检测 | 第23-28页 |
| 3.2.1 背景差分法 | 第23-25页 |
| 3.2.2 帧间差分法 | 第25页 |
| 3.2.3 光流法 | 第25-26页 |
| 3.2.4 实验及结果分析 | 第26-28页 |
| 3.3 特征点检测算法 | 第28-35页 |
| 3.3.1 Harris角点检测法 | 第28-29页 |
| 3.3.2 快速鲁棒性尺度不变性特征 | 第29-31页 |
| 3.3.3 中心环绕极值检测法 | 第31-33页 |
| 3.3.4 快速视网膜关键点描述符 | 第33-34页 |
| 3.3.5 实验及结果分析 | 第34-35页 |
| 3.4 基于全局运动补偿的动态背景下运动目标检测技术 | 第35-38页 |
| 3.4.1 基于特征点匹配的全局运动估计 | 第35-38页 |
| 3.4.2 背景补偿 | 第38页 |
| 3.4.3 运动目标提取 | 第38页 |
| 3.5 实验及结果分析 | 第38-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 动态背景下移动机器人跟踪技术 | 第41-57页 |
| 4.1 引言 | 第41页 |
| 4.2 基于支持向量机的目标识别算法 | 第41-46页 |
| 4.2.1 支持向量机基本原理 | 第41-45页 |
| 4.2.2 基于支持向量机的移动机器人识别算法 | 第45页 |
| 4.2.3 实验结果及分析 | 第45-46页 |
| 4.3 基于KCF与卡尔曼滤波的动态背景下运动目标跟踪算法 | 第46-56页 |
| 4.3.1 卡尔曼滤波 | 第46-47页 |
| 4.3.2 KCF算法简介 | 第47-53页 |
| 4.3.3 基于KCF与卡尔曼滤波的动态背景下运动目标跟踪算法 | 第53-54页 |
| 4.3.4 实验结果及分析 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 系统整体实验及结果分析 | 第57-62页 |
| 5.1 系统介绍 | 第57-59页 |
| 5.1.1 系统平台框架 | 第57-58页 |
| 5.1.2 OpenCV简介 | 第58页 |
| 5.1.3 图形界面开发工具 | 第58-59页 |
| 5.1.4 基于网络摄像头的图像采集系统 | 第59页 |
| 5.2 系统测试 | 第59-61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 |
