| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-25页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-23页 |
| 1.2.1 运动目标检测研究现状 | 第15-17页 |
| 1.2.2 行人识别技术研究现状 | 第17-19页 |
| 1.2.3 行人跟踪技术研究现状 | 第19-21页 |
| 1.2.4 行人定位方法研究现状 | 第21-23页 |
| 1.3 论文的主要工作及内容结构安排 | 第23-25页 |
| 第二章 基于全局运动补偿的运动背景下运动目标检测 | 第25-40页 |
| 2.1 引言 | 第25-26页 |
| 2.2 平台运动参数模型和全局运动补偿 | 第26-30页 |
| 2.2.1 平台运动参数模型 | 第27-30页 |
| 2.2.2 全局运动补偿 | 第30页 |
| 2.3 基于灰度分布和Bhattacharyya系数的区域变化运动目标检测 | 第30-35页 |
| 2.3.1 基于灰度分布的特征区域快速提取 | 第30-34页 |
| 2.3.2 基于Bhattacharyya系数的区域变化运动目标检测 | 第34-35页 |
| 2.4 实验结果及分析 | 第35-39页 |
| 2.4.1 图像配准的有效特征区域快速提取 | 第35-37页 |
| 2.4.2 对光照变化和噪声抑制 | 第37-38页 |
| 2.4.3 本文方法与差分法、光流法对比实验 | 第38-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 基于HOG特征和ELM学习机的快速行人识别 | 第40-55页 |
| 3.1 引言 | 第40页 |
| 3.2 常用特征提取方法 | 第40-45页 |
| 3.2.1 Haar特征 | 第41-42页 |
| 3.2.2 SIFT特征 | 第42-43页 |
| 3.2.3 HOG特征 | 第43-45页 |
| 3.3 机器学习算法 | 第45-49页 |
| 3.3.1 常用的分类器 | 第45-47页 |
| 3.3.2 极限学习机（ELM）分类器 | 第47-49页 |
| 3.4 基于HOG特征和ELM学习机的分类与训练 | 第49-52页 |
| 3.4.1 数据库正负样本的选取 | 第50-51页 |
| 3.4.2 ELM分类器的训练 | 第51-52页 |
| 3.5 实验仿真及分析 | 第52-54页 |
| 3.6 本章小结 | 第54-55页 |
| 第四章 基于上下文辅助的行人跟踪和行人地理坐标被动定位计算 | 第55-72页 |
| 4.1 引言 | 第55-56页 |
| 4.2 基于上下文辅助的行人跟踪算法原理 | 第56-61页 |
| 4.2.1 空间上下文模型的建立 | 第58页 |
| 4.2.2 上下文先验模型的建立 | 第58-59页 |
| 4.2.3 目标置信图 | 第59页 |
| 4.2.4 时空上下文快速学习 | 第59-60页 |
| 4.2.5 上下文更新模型和尺度更新 | 第60-61页 |
| 4.3 基于图像像素点的行人地理坐标被动定位计算 | 第61-63页 |
| 4.3.1 行人目标地理坐标被动定位原理 | 第61-62页 |
| 4.3.2 视场中心的经纬度计算 | 第62页 |
| 4.3.3 图像中指定点的经纬度计算 | 第62-63页 |
| 4.3.4 目标点的经纬度计算 | 第63页 |
| 4.4 实验仿真及结果分析 | 第63-71页 |
| 4.4.1 验证本文跟踪方法效果 | 第64-65页 |
| 4.4.2 本文跟踪方法与其他方法对比实验 | 第65-69页 |
| 4.4.3 行人地理坐标被动定位实验 | 第69-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第五章 结束语 | 第72-74页 |
| 5.1 工作总结 | 第72-73页 |
| 5.2 工作展望 | 第73-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 作者在学期间取得的学术成果 | 第82页 |
