| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-19页 |
| ·智能视频监控研究意义及其应用 | 第11-14页 |
| ·智能视频监控技术的研究意义 | 第11页 |
| ·智能视频监控技术的应用 | 第11-12页 |
| ·智能视频监控技术的挑战 | 第12-14页 |
| ·智能视频监控技术综述及其国内外研究现状 | 第14-17页 |
| ·系统结构框架 | 第14页 |
| ·主要的关键技术 | 第14-16页 |
| ·智能视频监控技术发展方向 | 第16-17页 |
| ·本文主要研究内容及论文组织 | 第17-19页 |
| 第二章 基于双背景模型的 AOD 和 MOD 算法 | 第19-33页 |
| ·GMM 背景学习算法 | 第19-24页 |
| ·自适应高斯混合背景模型 | 第19-21页 |
| ·在线最大期望算法 | 第21-22页 |
| ·HSV 颜色空间和阴影检查 | 第22-23页 |
| ·效果图 | 第23-24页 |
| ·双背景模型 | 第24-26页 |
| ·前景提取 | 第26-29页 |
| ·分水岭图像分割原理 | 第26-28页 |
| ·带标记的分水岭图像分割 | 第28页 |
| ·结果 | 第28-29页 |
| ·AOD 和 MOD 区分 | 第29-32页 |
| ·AOD 与 MOD 区分算法 | 第29-31页 |
| ·算法效果与分析 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 基于特征模型匹配的 MOD 算法 | 第33-50页 |
| ·Harris 角点检测 | 第33-37页 |
| ·角点原理 | 第34页 |
| ·计算方法 | 第34-36页 |
| ·简化计算方法 | 第36-37页 |
| ·FREAK 特征 | 第37-43页 |
| ·视网膜原理模型 | 第38-39页 |
| ·视网膜采样模式 | 第39-40页 |
| ·由粗到精的描述算法 | 第40-43页 |
| ·单映性矩阵的计算 | 第43-45页 |
| ·匹配点过滤 | 第43-44页 |
| ·Homography 计算原理 | 第44页 |
| ·RANSAC | 第44-45页 |
| ·基于 FREAK 特征匹配的 MOD 算法 | 第45-48页 |
| ·MOD 算法流程 | 第46页 |
| ·初始化 | 第46-47页 |
| ·目标检测 | 第47页 |
| ·MOD 检测 | 第47-48页 |
| ·算法效果 | 第48页 |
| ·本章小结 | 第48-50页 |
| 第四章 异常检查后处理跟踪算法 | 第50-66页 |
| ·跟踪模块 | 第51-56页 |
| ·Lucas-Kanade 金字塔光流 | 第51-53页 |
| ·NCC 误差 | 第53页 |
| ·前向后向误差 | 第53-54页 |
| ·中值预测 | 第54-55页 |
| ·伪代码与计算流程 | 第55-56页 |
| ·检测模块 | 第56-61页 |
| ·2bitBP 特征 | 第56-57页 |
| ·随机蕨目标检测算法 | 第57-59页 |
| ·训练 ferns | 第59页 |
| ·使用 ferns 目标检测 | 第59-60页 |
| ·伪代码 | 第60-61页 |
| ·学习模块和主循环 | 第61-64页 |
| ·输出融合 | 第61-62页 |
| ·正负样本模型学习算法 | 第62-64页 |
| ·TLD 主循环 | 第64页 |
| ·本章小结 | 第64-66页 |
| 第五章 实验及其结果 | 第66-72页 |
| ·基于双背景模型的 AOD/ MOD 算法测试 | 第66-68页 |
| ·基于特征点匹配的 MOD2 算法测试 | 第68-70页 |
| ·TLD 算法测试 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 附录 | 第79-81页 |
| 附录A 非刚体物体情况处理结果截图 | 第79-81页 |
| 攻读博士/硕士学位期间取得的研究成果 | 第81-82页 |
| 致谢 | 第82-83页 |
| 答辩委员会对论文的评定意见 | 第83页 |