| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究目的与意义 | 第10-11页 |
| 1.1.1 监控技术的市场和前景 | 第10页 |
| 1.1.2 场景建模面临的挑战 | 第10-11页 |
| 1.2 研究背景与现状 | 第11-14页 |
| 1.3 相关算法综述 | 第14-17页 |
| 1.3.1 高斯混合模型 | 第14-15页 |
| 1.3.2 ViBe算法 | 第15-16页 |
| 1.3.3 PBAS算法 | 第16-17页 |
| 1.4 本论文主要研究内容 | 第17-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第二章 基于压缩感知的背景建模 | 第20-38页 |
| 2.1 经典图像上下文特征及其局限性 | 第20-23页 |
| 2.1.2 经典图像上下文特征 | 第20-21页 |
| 2.1.3 Haar-like特征的局限性 | 第21-23页 |
| 2.2 基于图像上下文信息的压缩感知特征 | 第23-28页 |
| 2.2.1 背景模型特征降维 | 第23-25页 |
| 2.2.2 压缩感知特征 | 第25-28页 |
| 2.3 基于图像上下文信息的压缩感知特征提取方法 | 第28-33页 |
| 2.3.1 积分图的定义与生成方法 | 第28-30页 |
| 2.3.2 积分图提取矩形特征 | 第30-31页 |
| 2.3.3 基于压缩感知的广义Haar-like特征提取 | 第31-33页 |
| 2.4 基于图像上下文的无参数背景模型初始化 | 第33-37页 |
| 2.4.1 基于图像上下文信息的背景模型的优势 | 第33-34页 |
| 2.4.2 无参数建模的优势 | 第34-35页 |
| 2.4.3 模型初始化 | 第35-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 基于像素-模型距离的背景更新 | 第38-59页 |
| 3.1 图像到类的距离（NBNN算法） | 第38-39页 |
| 3.2 像素-模型（P2M）距离 | 第39-41页 |
| 3.3 前景的自适应分割 | 第41-43页 |
| 3.3.1 前景分割 | 第41-42页 |
| 3.3.2 自适应前景分割阈值 | 第42-43页 |
| 3.4 像素点背景模型更新 | 第43-45页 |
| 3.5 邻域像素点背景模型更新 | 第45-49页 |
| 3.5.1 最大P2M距离 | 第45-46页 |
| 3.5.2 邻域点模型更新 | 第46-48页 |
| 3.5.3 自适应模型更新参数 | 第48-49页 |
| 3.6 实验与分析 | 第49-58页 |
| 3.6.1 实验数据库 | 第49-50页 |
| 3.6.2 实验配置 | 第50-51页 |
| 3.6.3 实验结果与分析 | 第51-58页 |
| 3.7 本章小结 | 第58-59页 |
| 第四章 高动态场景修复 | 第59-74页 |
| 4.1 常规场景修复方法 | 第59-62页 |
| 4.1.1 基于最近背景帧的场景修复 | 第59-60页 |
| 4.1.2 基于均值与中值的场景修复 | 第60-62页 |
| 4.2 基于背景恢复模型的场景修复 | 第62-67页 |
| 4.2.1 高斯混合建模修复场景 | 第62-63页 |
| 4.2.2 像素点线性表达 | 第63-64页 |
| 4.2.3 基于贝叶斯方法的最小P2M背景恢复模型 | 第64-65页 |
| 4.2.4 最小P2M距离修复场景 | 第65-67页 |
| 4.3 实验与分析 | 第67-71页 |
| 4.3.1 实验数据库 | 第67页 |
| 4.3.2 实验配置 | 第67页 |
| 4.3.3 实验结果与分析 | 第67-71页 |
| 4.4 基于场景建模与修复的交通监控系统 | 第71-73页 |
| 4.5 本章小结 | 第73-74页 |
| 第五章 结论 | 第74-76页 |
| 5.1 本文的主要贡献 | 第74-75页 |
| 5.2 后续工作展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士学位期间取得的成果 | 第82-83页 |