| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 选题背景及研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 红外运动目标检测及人体目标识别 | 第12-13页 |
| 1.2.2 红外人体目标跟踪 | 第13-16页 |
| 1.3 论文研究内容与安排 | 第16-18页 |
| 第二章 复杂背景下红外运动前景目标提取 | 第18-35页 |
| 2.1 引言 | 第18-19页 |
| 2.2 基于GMM的运动目标分割 | 第19-21页 |
| 2.2.1 红外图像预处理 | 第19页 |
| 2.2.2 GMM的基本原理 | 第19-20页 |
| 2.2.3 基于GMM的运动目标检测实现过程 | 第20-21页 |
| 2.3 基于图论与主动轮廓模型的图像分割方法 | 第21-25页 |
| 2.3.1 图割优化方法介绍与图像分割 | 第22-23页 |
| 2.3.2 基于主动轮廓模型(蛇形,Snake)的图像分割 | 第23-25页 |
| 2.4 基于GMM与GC-ACM融合的红外运动目标提取 | 第25-28页 |
| 2.4.1 基于改进的GMM的红外运动目标分割 | 第25-26页 |
| 2.4.2 结合GC-ACM的红外前景目标提取算法 | 第26-28页 |
| 2.5 实验结果与分析 | 第28-34页 |
| 2.5.1 红外图像预处理实验结果与分析 | 第28-30页 |
| 2.5.2 基于GMM的前景目标检测实验结果与分析 | 第30-31页 |
| 2.5.3 融合GC-ACM的前景目标提取实验结果与分析 | 第31-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 基于EEWLGO描述子的红外人体检测 | 第35-51页 |
| 3.1 引言 | 第35-36页 |
| 3.2 EEWLGO描述子 | 第36-39页 |
| 3.2.1 HOG特征提取 | 第36-37页 |
| 3.2.2 EEWLGO特征提取 | 第37-39页 |
| 3.3 SVM与Adaboost分类技术 | 第39-44页 |
| 3.3.1 SVM分类思想 | 第39-42页 |
| 3.3.2 AdaBoost分类器 | 第42-43页 |
| 3.3.3 SVM与AdaBoost的比较 | 第43页 |
| 3.3.4 本文提出的红外行人分类过程 | 第43-44页 |
| 3.4 实验结果与分析 | 第44-50页 |
| 3.4.1 交叉验证 | 第45-47页 |
| 3.4.2 基于新测试集的分类实验 | 第47-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于MeanShift算法的人体目标跟踪 | 第51-67页 |
| 4.1 引言 | 第51页 |
| 4.2 MeanShift跟踪方法介绍 | 第51-58页 |
| 4.2.1 核密度估计原理 | 第52-55页 |
| 4.2.2 基于MeanShift算法的目标跟踪过程 | 第55-57页 |
| 4.2.3 基于经典MeanShift算法的红外人体目标跟踪实验 | 第57-58页 |
| 4.3 基于改进的MeanShift算法的红外人体目标跟踪 | 第58-60页 |
| 4.3.1 联合空域灰度信息的目标建模 | 第58-59页 |
| 4.3.2 基于检测结果的跟踪窗自适应机制 | 第59-60页 |
| 4.4 实验结果与分析 | 第60-66页 |
| 4.4.1 目标稳定跟踪实验 | 第60-64页 |
| 4.4.2 基于检测的核窗更新 | 第64-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 结束语 | 第67-69页 |
| 5.1 本文主要工作总结 | 第67-68页 |
| 5.2 存在的不足与下一步工作计划 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 作者攻读硕士期间参加的科研项目及撰写论文情况 | 第74页 |
