基于形状信息的运动目标提取方法研究
| 致谢 | 第5-7页 |
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第13-27页 |
| 1.1 研究背景与选题意义 | 第13-17页 |
| 1.1.1 课题研究背景与意义 | 第13-15页 |
| 1.1.2 背景减除的重要作用 | 第15页 |
| 1.1.3 形状信息的重要作用 | 第15-17页 |
| 1.2 论文所涉技术及研究现状 | 第17-24页 |
| 1.2.1 运动目标提取的研究 | 第17-20页 |
| 1.2.2 形状模型的研究 | 第20-24页 |
| 1.3 本文研究内容、创新点及章节安排 | 第24-27页 |
| 1.3.1 本文研究内容 | 第24-25页 |
| 1.3.2 本文创新点 | 第25-26页 |
| 1.3.3 本文章节安排 | 第26-27页 |
| 第2章 复杂环境下基于形状先验信息的运动目标提取 | 第27-49页 |
| 2.1 引言 | 第27-28页 |
| 2.2 混合高斯背景减除 | 第28-30页 |
| 2.2.1 在线混合高斯模型 | 第28-29页 |
| 2.2.2 模型的更新 | 第29页 |
| 2.2.3 背景模型估计 | 第29-30页 |
| 2.3 马尔科夫随机场后处理方法 | 第30-32页 |
| 2.4 形状先验的建立 | 第32-37页 |
| 2.4.1 运动目标连通域外接矩形提取 | 第33-34页 |
| 2.4.2 形状先验图像的获取 | 第34-35页 |
| 2.4.3 颜色相似情况下的形状先验 | 第35-37页 |
| 2.5 利用形状MRF对结果进行修正 | 第37-40页 |
| 2.5.1 使用canny算子检测轮廓 | 第37-38页 |
| 2.5.2 求解距离转换图像 | 第38-39页 |
| 2.5.3 形状先验局部能量函数的计算 | 第39-40页 |
| 2.6 实验结果与分析 | 第40-46页 |
| 2.6.1 实验细节 | 第40-41页 |
| 2.6.2 定性实验 | 第41-44页 |
| 2.6.3 定量实验 | 第44-46页 |
| 2.7 本章小结 | 第46-49页 |
| 第3章 基于深度玻尔兹曼机的背景减除后处理算法 | 第49-81页 |
| 3.1 引言 | 第49-51页 |
| 3.2 深度玻尔兹曼机理论 | 第51-56页 |
| 3.2.1 限制玻尔兹曼机算法 | 第51-54页 |
| 3.2.2 深度玻尔兹曼机算法 | 第54-56页 |
| 3.3 DBM正侧面行人形状模型的建立 | 第56-64页 |
| 3.3.1 实验设计 | 第56-58页 |
| 3.3.2 评价函数的设计 | 第58页 |
| 3.3.3 训练过程 | 第58-61页 |
| 3.3.4 结果分析 | 第61-64页 |
| 3.4 DBM形状模型输入图像的提取过程 | 第64-68页 |
| 3.4.1 运动目标对齐 | 第64-66页 |
| 3.4.2 运动目标缩放 | 第66-68页 |
| 3.5 运动目标图像的DBM重构与掩模操作 | 第68-69页 |
| 3.5.1 运动目标图像的DBM重构 | 第68-69页 |
| 3.5.2 背景减除掩模操作 | 第69页 |
| 3.6 实验验证与评价 | 第69-79页 |
| 3.6.1 DBM行人形状模型的评价 | 第69-74页 |
| 3.6.2 运动目标提取结果实验分析 | 第74-79页 |
| 3.7 本章小结 | 第79-81页 |
| 第4章 基于形状模型的前景重构的应用与评价 | 第81-97页 |
| 4.1 引言 | 第81-82页 |
| 4.2 步态能量图特征表示方法 | 第82-87页 |
| 4.2.1 轮廓提取和预处理 | 第82-83页 |
| 4.2.2 步态周期检测 | 第83-86页 |
| 4.2.3 步态特征的表示 | 第86-87页 |
| 4.3 支持向量机分类 | 第87-89页 |
| 4.3.1 多分类的SVM | 第87页 |
| 4.3.2 SVM理论基础 | 第87-89页 |
| 4.4 实验设计与结果 | 第89-96页 |
| 4.4.1 实验设计 | 第89-90页 |
| 4.4.2 实验结果 | 第90-96页 |
| 4.5 本章小结 | 第96-97页 |
| 第5章 总结与展望 | 第97-99页 |
| 5.1 总结 | 第97-98页 |
| 5.2 工作展望 | 第98-99页 |
| 参考文献 | 第99-103页 |
| 作者简介 | 第103页 |
| 硕士学位期间主要的研究成果 | 第103页 |
