基于视频的行人目标检测和跟踪的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究的背景和意义 | 第12-13页 |
| 1.2 国内外研究现状分析 | 第13-15页 |
| 1.3 存在的主要问题 | 第15-17页 |
| 1.4 本文主要工作与组织安排 | 第17-20页 |
| 1.4.1 主要研究工作 | 第17页 |
| 1.4.2 内容组织安排 | 第17-20页 |
| 第2章 基于视频的目标检测和跟踪相关理论介绍 | 第20-36页 |
| 2.1 目标检测和跟踪的分类 | 第20页 |
| 2.2 边缘特征简介 | 第20-26页 |
| 2.2.1 几种边缘检测算子简介 | 第21-24页 |
| 2.2.2 HOG 梯度方向直方图特征 | 第24-26页 |
| 2.3 常用的前景检测方法 | 第26-28页 |
| 2.3.1 背景差分法 | 第26页 |
| 2.3.2 帧间差分法 | 第26-27页 |
| 2.3.3 光流法 | 第27-28页 |
| 2.4 目标的检测方法 | 第28-33页 |
| 2.4.1 基于形状模板匹配的检测方法 | 第28-29页 |
| 2.4.2 基于表观特征向量的检测方法 | 第29-32页 |
| 2.4.3 基于部件的检测方法 | 第32-33页 |
| 2.5 基于视频的目标跟踪方法 | 第33-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 基于边缘联合直方图的行人检测 | 第36-48页 |
| 3.1 图像预处理 | 第36-38页 |
| 3.1.1 图像去噪 | 第36-37页 |
| 3.1.2 图像直方图均衡化 | 第37-38页 |
| 3.2 边缘联合直方图 | 第38-40页 |
| 3.3 分类器训练 | 第40-43页 |
| 3.3.1 SVM 训练过程 | 第40-41页 |
| 3.3.2 图片的训练过程 | 第41-42页 |
| 3.3.3 验证过程 | 第42-43页 |
| 3.4 单帧行人检测 | 第43-45页 |
| 3.4.1 帧差法提取大致前景区域 | 第43-44页 |
| 3.4.2 检测窗口生成 | 第44-45页 |
| 3.4.3 SVM 行人检测 | 第45页 |
| 3.5 实验结果与分析 | 第45-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第4章 基于检测分割的行人跟踪算法 | 第48-56页 |
| 4.1 算法思想 | 第48页 |
| 4.2 算法总体流程 | 第48-49页 |
| 4.3 模型训练 | 第49-50页 |
| 4.3.1 霍夫投票模型 | 第49-50页 |
| 4.3.2 目标分割模型 | 第50页 |
| 4.4 目标跟踪 | 第50-52页 |
| 4.4.1 目标检测 | 第50-51页 |
| 4.4.2 目标分割 | 第51-52页 |
| 4.5 模型更新 | 第52-53页 |
| 4.5.1 霍夫投票模型更新 | 第53页 |
| 4.5.2 分割模型更新 | 第53页 |
| 4.6 实验结果与分析 | 第53-55页 |
| 4.7 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 本文总结 | 第56页 |
| 5.2 未来研究展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附件 | 第62-86页 |
