| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 运动目标检测与跟踪的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第2章 运动目标检测与跟踪算法 | 第15-33页 |
| 2.1 运动目标检测算法 | 第15-26页 |
| 2.1.1 基于背景建模的检测方法 | 第15-20页 |
| 2.1.2 基于目标建模的检测方法 | 第20-26页 |
| 2.2 运动目标跟踪算法 | 第26-32页 |
| 2.2.1 卡尔曼滤波跟踪算法 | 第27-29页 |
| 2.2.2 粒子滤波跟踪算法 | 第29-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 静态背景下基于背景建模的粒子滤波跟踪算法 | 第33-44页 |
| 3.1 运动目标检测与特征提取 | 第33-37页 |
| 3.1.1 融合邻域信息的码本背景建模 | 第33-35页 |
| 3.1.2 2-Level码本背景更新 | 第35-36页 |
| 3.1.3 改进的目标外观特征模型提取 | 第36-37页 |
| 3.2 改进的粒子滤波跟踪算法 | 第37-40页 |
| 3.2.1 邻域信息码本与粒子滤波结合目标跟踪算法 | 第37-39页 |
| 3.2.2 位置信息加权重采样算法 | 第39-40页 |
| 3.3 基于码本背景建模的粒子滤波算法实验结果分析 | 第40-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 动态背景下基于在线学习的粒子滤波跟踪算法 | 第44-58页 |
| 4.1 在线学习检测器和粒子滤波跟踪器的融合 | 第44-46页 |
| 4.2 机器学习中的特征提取 | 第46-47页 |
| 4.3 分类器设计与特征训练 | 第47-51页 |
| 4.3.1 基于图像块的 2Bit-LBP特征 | 第47-48页 |
| 4.3.2 决策树和随机森林分类器 | 第48-49页 |
| 4.3.3 改进的随机蕨丛分类器 | 第49-51页 |
| 4.4 在线学习粒子滤波跟踪算法 | 第51-53页 |
| 4.4.1 改进的融合随机蕨丛的粒子滤波观测模型 | 第51-52页 |
| 4.4.2 随机蕨丛在线学习和粒子滤波结合目标跟踪算法 | 第52-53页 |
| 4.5 在线学习粒子滤波跟踪算法实验结果及分析 | 第53-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 复杂场景下粒子滤波跟踪系统 | 第58-63页 |
| 5.1 系统功能模块设计 | 第58-59页 |
| 5.2 系统的实现 | 第59-62页 |
| 5.3 本章小结 | 第62-63页 |
| 第6章 结论及未来工作展望 | 第63-65页 |
| 6.1 结论 | 第63-64页 |
| 6.2 未来工作展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第71页 |
