| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 课题研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状分析 | 第16-17页 |
| 1.3 多运动目标检测和跟踪的难点 | 第17-18页 |
| 1.4 本文的主要工作和章节安排 | 第18-20页 |
| 1.4.1 主要研究内容 | 第18-19页 |
| 1.4.2 章节安排 | 第19-20页 |
| 第二章 运动目标检测与跟踪技术介绍 | 第20-37页 |
| 2.1 运动目标检测算法简介 | 第20-29页 |
| 2.1.1 光流法 | 第20-21页 |
| 2.1.2 帧间差分法 | 第21-23页 |
| 2.1.3 背景减法 | 第23-28页 |
| 2.1.4 基于机器学习的目标检测算法 | 第28-29页 |
| 2.2 运动目标跟踪算法简介 | 第29-36页 |
| 2.2.1 基于特征匹配的跟踪方法 | 第30-31页 |
| 2.2.2 基于主动轮廓的跟踪方法 | 第31-32页 |
| 2.2.3 基于模型的跟踪方法 | 第32-34页 |
| 2.2.4 基于区域的跟踪方法 | 第34-36页 |
| 2.3 本章小结 | 第36-37页 |
| 第三章 多运动目标检测与分割 | 第37-55页 |
| 3.1 引言 | 第37页 |
| 3.2 基于OTSU准则的VIBE目标检测算法 | 第37-45页 |
| 3.2.1 VIBE算法原理 | 第37-41页 |
| 3.2.2 Otsu准则简介 | 第41-42页 |
| 3.2.3 基于OTSU准则的VIBE算法及实验结果分析 | 第42-45页 |
| 3.3 多运动目标的分割 | 第45-50页 |
| 3.3.1 分割前的预处理 | 第46-48页 |
| 3.3.2 基于HOG特征的SVM分类器辅助图像分割算法 | 第48-50页 |
| 3.4 VIBE算法与基于HOG特征的SVM分类器相结合的目标检测算法 | 第50-54页 |
| 3.4.1 算法原理及流程 | 第50-51页 |
| 3.4.2 实验结果分析 | 第51-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 基于轨迹优化的多目标跟踪 | 第55-70页 |
| 4.1 基于轨迹优化的多目标跟踪问题的描述和分析 | 第55-56页 |
| 4.2 初始轨迹的建立 | 第56-58页 |
| 4.2.1 初始轨迹的生成规则 | 第56页 |
| 4.2.2 检测点之间的相似性计算 | 第56-58页 |
| 4.3 构建能量函数 | 第58-61页 |
| 4.3.1 动力学选项 | 第58-59页 |
| 4.3.2 持续性选项 | 第59-60页 |
| 4.3.3 融合间隔选项 | 第60页 |
| 4.3.4 颜色相似性选项 | 第60-61页 |
| 4.3.5 调整选项 | 第61页 |
| 4.4 轨迹的迭代优化 | 第61-62页 |
| 4.5 轨迹片段间的填充 | 第62-63页 |
| 4.6 算法流程 | 第63-65页 |
| 4.7 实验结果与分析 | 第65-68页 |
| 4.8 本章小结 | 第68-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 论文工作总结 | 第70页 |
| 5.2 未来工作及展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第76-77页 |
