| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 课题的国内外研究现状 | 第11-16页 |
| 1.2.1 视频目标检测技术 | 第12-13页 |
| 1.2.2 视频目标跟踪技术 | 第13-16页 |
| 1.3 目标跟踪的技术难点 | 第16-17页 |
| 1.4 本文的主要研究内容及组织结构 | 第17-18页 |
| 第二章 运动目标检测算法 | 第18-35页 |
| 2.1 基于模糊数学理论的图像增强 | 第18-20页 |
| 2.1.1 图像增强技术简介 | 第18页 |
| 2.1.2 模糊数学方法 | 第18-20页 |
| 2.2 常用的目标检测算法 | 第20-22页 |
| 2.2.1 帧间差分法 | 第20-21页 |
| 2.2.2 背景相减法 | 第21-22页 |
| 2.3 机器学习的目标检测算法 | 第22-28页 |
| 2.3.1 基于Adaboost算法原理的目标检测 | 第22-23页 |
| 2.3.2 基于支持向量机原理的目标检测 | 第23-27页 |
| 2.3.3 基于随机森林算法的目标检测 | 第27-28页 |
| 2.4 基于特征的目标检测 | 第28-34页 |
| 2.4.1 图像的纹理特征 | 第28-29页 |
| 2.4.2 Haar特征提取 | 第29-30页 |
| 2.4.3 HOG特征提取 | 第30-32页 |
| 2.4.4 SIFT特征提取 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于Meanshift和Kalman滤波的目标跟踪 | 第35-41页 |
| 3.1 Meanshift目标跟踪算法 | 第35-37页 |
| 3.2 Camshift目标跟踪算法 | 第37-39页 |
| 3.3 卡尔曼滤波的原理 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于快速运动的积分图像跟踪算法 | 第41-60页 |
| 4.1 三维直方图及其相似度衡量算法 | 第41-42页 |
| 4.2 一种结合直方图相似度匹配的积分图像跟踪算法 | 第42-53页 |
| 4.2.1 灰度空间下的跟踪算法及实验 | 第42-46页 |
| 4.2.2 RGB模型下的跟踪算法及实验 | 第46-50页 |
| 4.2.3 HSV模型下的跟踪算法及实验 | 第50-53页 |
| 4.3 积分图像跟踪算法的时间复杂度研究 | 第53-54页 |
| 4.4 Meanshift算法在目标跟踪中的快速运动问题 | 第54-55页 |
| 4.5 用改进的算法实现快速运动目标跟踪 | 第55-59页 |
| 4.5.1 积分图像跟踪算法的实验结果及分析 | 第56页 |
| 4.5.2 积分图像结合M eanshift算法的实验结果及分析 | 第56-58页 |
| 4.5.3 算法的时间复杂度对比分析 | 第58-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 基于Camshift的颜色相似和快速运动目标跟踪 | 第60-72页 |
| 5.1 基于改进Camshift算法的颜色相似目标跟踪 | 第60-65页 |
| 5.1.1 目标与背景颜色相似的跟踪问题 | 第60-61页 |
| 5.1.2 改进算法的步骤 | 第61-62页 |
| 5.1.3 改进算法的实验结果及分析 | 第62-63页 |
| 5.1.4 压缩计算区域后的实验结果及分析 | 第63-65页 |
| 5.2 基于Camshift算法的快速运动目标跟踪 | 第65-69页 |
| 5.2.1 用机器学习算法实现运动目标检测 | 第65-67页 |
| 5.2.2 积分图像和Camshift算法的实验结果及分析 | 第67-69页 |
| 5.3 用多算法实现在相同物体干扰下的快速运动目标跟踪 | 第69-71页 |
| 5.3.1 快速运动目标跟踪中的相同物体干扰问题 | 第69-70页 |
| 5.3.2 用多个算法相结合的实验结果及分析 | 第70-71页 |
| 5.3.3 算法时间复杂度分析 | 第71页 |
| 5.4 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 论文总结 | 第72-73页 |
| 6.2 研究展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78页 |
