| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 运动目标检测和跟踪技术的发展现状 | 第10-11页 |
| 1.3 本文的主要研究内容及章节安排 | 第11-13页 |
| 第二章 运动目标检测技术 | 第13-25页 |
| 2.1 基于运动分析的目标检测 | 第13-23页 |
| 2.1.1 帧差法 | 第13-16页 |
| 2.1.2 光流法 | 第16-18页 |
| 2.1.3 背景差分法 | 第18-23页 |
| 2.2 基于特征的方法 | 第23-24页 |
| 2.3 基于模型的方法 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 运动目标跟踪技术 | 第25-38页 |
| 3.1 运动目标跟踪系统简述 | 第25-26页 |
| 3.2 运动目标跟踪方法简述 | 第26-27页 |
| 3.2.1 基于特征的跟踪方法 | 第26页 |
| 3.2.2 基于区域的跟踪方法 | 第26-27页 |
| 3.2.3 基于边缘的跟踪方法 | 第27页 |
| 3.3 目标跟踪技术难点及性能要求 | 第27-29页 |
| 3.3.1 存在的难题 | 第27-28页 |
| 3.3.2 性能要求 | 第28-29页 |
| 3.4 Mean Shift跟踪算法的研究 | 第29-37页 |
| 3.4.1 Mean Shift理论 | 第29-31页 |
| 3.4.2 基于Mean Shift算法的目标跟踪原理 | 第31-34页 |
| 3.4.3 Mean Shift跟踪算法的实现 | 第34-35页 |
| 3.4.4 实验结果及分析 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于Kalman滤波算法的目标检测 | 第38-48页 |
| 4.1 随机离散线性系统Kalman滤波基本方程 | 第38-40页 |
| 4.2 Kalman滤波算法的特性 | 第40-41页 |
| 4.3 Kalman滤波算法在目标检测中的应用 | 第41-45页 |
| 4.3.1 基于Kalman滤波器原理的背景模型算法 | 第41-43页 |
| 4.3.2 时空域信息检测 | 第43-45页 |
| 4.3.3 基于时空域的Kalman背景建模算法 | 第45页 |
| 4.4 实验结果及分析 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 多技术融合的Mean Shift跟踪算法 | 第48-63页 |
| 5.1 基于Kalman算法的目标预测 | 第48-51页 |
| 5.1.1 Kalman目标预测器 | 第48-50页 |
| 5.1.2 实验结果及分析 | 第50-51页 |
| 5.2 基于分块颜色直方图的目标匹配 | 第51-55页 |
| 5.2.1 分块颜色直方图 | 第52-53页 |
| 5.2.2 分块目标模型描述 | 第53-54页 |
| 5.2.3 分块目标模型的相似度匹配 | 第54-55页 |
| 5.3 基于背景加权的颜色直方图匹配 | 第55-58页 |
| 5.3.1 背景加权的目标模型匹配 | 第55-58页 |
| 5.4 多技术融合的Mean Shift跟踪算法 | 第58-61页 |
| 5.4.1 算法描述 | 第58-59页 |
| 5.4.2 实验结果及分析 | 第59-61页 |
| 5.5 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 研究成果总结 | 第63-64页 |
| 6.2 进一步展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 攻读学位期间发表的学术论文目录 | 第71-73页 |