| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 论文的选题背景和研究意义 | 第8-9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 视频监控技术的发展 | 第9-10页 |
| 1.2.2 国内外研究现状 | 第10-11页 |
| 1.2.3 面临的主要问题 | 第11-12页 |
| 1.3 论文的主要研究内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 2 视频图像处理技术 | 第13-25页 |
| 2.1 视频压缩标准及视频文件格式 | 第13-15页 |
| 2.2 彩色图像的灰度化 | 第15页 |
| 2.3 图像的增强 | 第15-17页 |
| 2.4 图像的滤波 | 第17-21页 |
| 2.4.1 均值滤波器 | 第17-19页 |
| 2.4.2 高斯滤波器 | 第19-20页 |
| 2.4.3 中值滤波器 | 第20-21页 |
| 2.5 形态学处理 | 第21-24页 |
| 2.5.1 腐蚀与膨胀 | 第21-23页 |
| 2.5.2 开启与闭合 | 第23-24页 |
| 2.6 小结 | 第24-25页 |
| 3 运动目标检测 | 第25-36页 |
| 3.1 常用的运动目标检测方法 | 第25-27页 |
| 3.1.1 相邻帧差法 | 第25页 |
| 3.1.2 光流法 | 第25页 |
| 3.1.3 背景帧差法 | 第25-26页 |
| 3.1.4 其它检测方法 | 第26-27页 |
| 3.2 基于GMM背景建模和C-均值聚类的运动目标检测 | 第27-35页 |
| 3.2.1 基于GMM的背景建模 | 第27-30页 |
| 3.2.2 C-均值聚类算法 | 第30-31页 |
| 3.2.3 实验结果与分析 | 第31-35页 |
| 3.3 小结 | 第35-36页 |
| 4 基于BP神经网络的运动目标识别 | 第36-46页 |
| 4.1 运动目标的分类特征 | 第36-37页 |
| 4.2 BP神经网络 | 第37-43页 |
| 4.2.1 BP神经网络结构及原理 | 第37-38页 |
| 4.2.2 BP神经网络的结构设计 | 第38-41页 |
| 4.2.3 BP神经网络的学习和训练 | 第41-43页 |
| 4.3 实验结果与分析 | 第43-45页 |
| 4.4 小结 | 第45-46页 |
| 5 基于视频检测和识别的列检作业人员安全监测系统 | 第46-51页 |
| 5.1 系统功能及其结构 | 第46-48页 |
| 5.1.1 系统功能 | 第46-47页 |
| 5.1.2 系统结构 | 第47-48页 |
| 5.2 系统软件模块和功能 | 第48-50页 |
| 5.2.1 软件组成模块 | 第48-49页 |
| 5.2.2 开发工具简介 | 第49页 |
| 5.2.3 软件界面功能 | 第49-50页 |
| 5.3 小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-54页 |