| 作者简介 | 第1-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-12页 |
| 第一章 绪论 | 第12-26页 |
| ·课题研究背景和意义 | 第12-14页 |
| ·课题研究方法及难点分析 | 第14-19页 |
| ·目标跟踪的方法和难点 | 第14-16页 |
| ·人脸表情识别的方法和难点 | 第16-19页 |
| ·主要研究机构和公共数据库 | 第19-23页 |
| ·论文的研究内容及结构安排 | 第23-26页 |
| 第二章 基于视频的人体目标检测跟踪及其应用 | 第26-47页 |
| ·引言 | 第26-27页 |
| ·视频监控中的运动目标检测和跟踪 | 第27-30页 |
| ·运动目标检测方法 | 第27-28页 |
| ·运动目标跟踪方法 | 第28-30页 |
| ·人体目标的行为描述和分析 | 第30-33页 |
| ·人体运动目标的行为描述 | 第30-32页 |
| ·视频序列中的事件分析和异常检测 | 第32-33页 |
| ·基于人体区域特征的异常行为检测 | 第33-41页 |
| ·高斯混合模型 | 第33-36页 |
| ·目标特征的选择和提取 | 第36-37页 |
| ·基于 K-均值聚类的异常行为检测 | 第37-40页 |
| ·实验结果和分析 | 第40-41页 |
| ·基于人体运动特征的视频人数统计 | 第41-46页 |
| ·运动目标检测 | 第42-43页 |
| ·多目标跟踪和计数 | 第43-44页 |
| ·实验结果和分析 | 第44-46页 |
| ·小结 | 第46-47页 |
| 第三章 基于多特征融合的视频运动目标跟踪方法 | 第47-66页 |
| ·引言 | 第47-48页 |
| ·均值迁移跟踪算法的基本理论 | 第48-52页 |
| ·概述 | 第48-49页 |
| ·均值迁移跟踪算法 | 第49-52页 |
| ·基于均值迁移和粒子滤波的跟踪算法框架 | 第52-56页 |
| ·粒子滤波算法框架 | 第52-55页 |
| ·均值迁移和粒子滤波结合的跟踪方法 | 第55-56页 |
| ·基于多特征融合的运动目标跟踪 | 第56-63页 |
| ·多特征跟踪概述 | 第56-57页 |
| ·目标特征的选择及提取 | 第57-60页 |
| ·多特征融合策略的选择 | 第60-62页 |
| ·算法实现 | 第62-63页 |
| ·实验结果与分析 | 第63-65页 |
| ·小结 | 第65-66页 |
| 第四章 基于多特征自适应融合及动态更新的跟踪方法 | 第66-80页 |
| ·引言 | 第66-67页 |
| ·基于多特征自适应融合的粒子滤波跟踪方法 | 第67-71页 |
| ·粒子滤波框架下的多特征跟踪 | 第67-68页 |
| ·多特征的有效评估及自适应融合 | 第68-70页 |
| ·算法实现 | 第70-71页 |
| ·目标模型的更新问题 | 第71-74页 |
| ·单一特征的模型更新策略 | 第71-72页 |
| ·多特征模型的动态分层更新 | 第72-74页 |
| ·实验结果与分析 | 第74-79页 |
| ·光照变化下的跟踪效果 | 第74-76页 |
| ·目标发生遮挡时的跟踪效果 | 第76-78页 |
| ·实际复杂场景中的目标跟踪 | 第78-79页 |
| ·小结 | 第79-80页 |
| 第五章 基于中心化二元模式和 SVM 的人脸表情识别 | 第80-100页 |
| ·引言 | 第80-81页 |
| ·Adaboost 人脸检测方法 | 第81-86页 |
| ·Haar-like 特征 | 第81-83页 |
| ·Adaboost 算法 | 第83-85页 |
| ·级联结构的 Adaboost 分类器 | 第85页 |
| ·人脸的检测定位 | 第85-86页 |
| ·基于中心化二元模式的人脸表情特征提取 | 第86-94页 |
| ·人脸图像的预处理 | 第86-88页 |
| ·人脸表情的局部二元模式（LBP）纹理特征 | 第88-90页 |
| ·中心化二元模式（CBP） | 第90-91页 |
| ·实验结果和分析 | 第91-94页 |
| ·基于二对二支持向量机的表情识别 | 第94-99页 |
| ·多分类问题的描述和解决方法 | 第94-96页 |
| ·基于二对二支持向量机的表情分类 | 第96-98页 |
| ·实验结果和分析 | 第98-99页 |
| ·小结 | 第99-100页 |
| 第六章 基于特征融合的笑脸表情识别 | 第100-121页 |
| ·引言 | 第100-101页 |
| ·基于人脸嘴部区域特征的笑脸识别 | 第101-107页 |
| ·嘴部的定位 | 第101-102页 |
| ·嘴部的 HOG 特征提取 | 第102-105页 |
| ·支持向量机分类 | 第105-106页 |
| ·实验结果和分析 | 第106-107页 |
| ·融合人脸 LBP 特征和嘴部区域特征的笑脸识别 | 第107-116页 |
| ·特征融合概述 | 第107-109页 |
| ·人脸 LBP 特征和嘴部 HOG 特征的串联融合 | 第109-110页 |
| ·基于 CCA 和 DCCA 的特征融合 | 第110-114页 |
| ·实验结果和分析 | 第114-116页 |
| ·特征融合在人脸表情识别中的应用 | 第116-120页 |
| ·特征选择与分类器设计 | 第116-117页 |
| ·实验结果和分析 | 第117-120页 |
| ·小结 | 第120-121页 |
| 第七章 总结和展望 | 第121-124页 |
| ·论文总结 | 第121-122页 |
| ·工作展望 | 第122-124页 |
| 致谢 | 第124-125页 |
| 参考文献 | 第125-138页 |
| 攻读博士学位期间的研究成果 | 第138-139页 |