| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 视频监控系统的发展 | 第11-12页 |
| 1.2 智能视频监控系统的研究背景及意义 | 第12-13页 |
| 1.3 智能视频监控系统的国内外现状 | 第13-15页 |
| 1.4 本文主要工作及章节安排 | 第15-17页 |
| 第2章 运动目标检测相关技术 | 第17-38页 |
| 2.1 从视频中获取图像所用技术 | 第17页 |
| 2.1.1 VFW方式 | 第17页 |
| 2.1.2 SDK方式 | 第17页 |
| 2.2 视频图像预处理 | 第17-23页 |
| 2.2.1 灰度变换 | 第18-19页 |
| 2.2.2 基于滤波的图像增强方法 | 第19-23页 |
| 2.3 运动目标检测方法 | 第23-26页 |
| 2.3.1 帧差法 | 第23页 |
| 2.3.2 背景减除法 | 第23-24页 |
| 2.3.3 光流分割法 | 第24-25页 |
| 2.3.4 三种检测方法的比较 | 第25-26页 |
| 2.4 运动检测后处理 | 第26-28页 |
| 2.4.1 关于图像阴影 | 第26-27页 |
| 2.4.2 滤波处理及形态学操作 | 第27-28页 |
| 2.5 边缘检测 | 第28-36页 |
| 2.5.1 边缘检测步骤及要求 | 第28-29页 |
| 2.5.2 传统的边缘检测方法 | 第29-36页 |
| 2.6 目标分割简介 | 第36-37页 |
| 2.7 本章小结 | 第37-38页 |
| 第3章 运动目标跟踪相关技术 | 第38-44页 |
| 3.1 运动目标跟踪简介 | 第38页 |
| 3.2 目标跟踪技术综述 | 第38-40页 |
| 3.2.1 基于运动估计的跟踪方法 | 第38-39页 |
| 3.2.2 基于特征的跟踪方法 | 第39页 |
| 3.2.3 基于轮廓的跟踪方法 | 第39-40页 |
| 3.2.4 基于区域的跟踪方法 | 第40页 |
| 3.3 目标运动位置预测 | 第40-43页 |
| 3.3.1 Kalman滤波原理 | 第40-42页 |
| 3.3.2 目标预测 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 系统框架设计 | 第44-48页 |
| 4.1 系统设计思想及原则 | 第44-45页 |
| 4.2 系统的硬件构成及处理顺序 | 第45-46页 |
| 4.2.1 设备构成 | 第45页 |
| 4.2.2 系统的总体处理顺序 | 第45-46页 |
| 4.3 系统的软件处理模块划分 | 第46-47页 |
| 4.3.1 系统框架 | 第46页 |
| 4.3.2 各功能模块介绍 | 第46-47页 |
| 4.4 系统开发环境 | 第47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 智能视频系统相关算法改进 | 第48-67页 |
| 5.1 噪声去除中的中值滤波算法改进 | 第48-51页 |
| 5.1.1 改进的中值滤波算法 | 第48-50页 |
| 5.1.2 实验结果与分析 | 第50-51页 |
| 5.2 运动目标提取中的Canny算子改进 | 第51-60页 |
| 5.2.1 帧差法检测运动目标 | 第51-52页 |
| 5.2.2 三帧差法基本原理 | 第52-53页 |
| 5.2.3 改进的Canny边缘检测算法 | 第53-55页 |
| 5.2.4 运动目标的目标分割 | 第55-56页 |
| 5.2.5 三帧差法与改进的Canny算子相结合的运动目标提取 | 第56-57页 |
| 5.2.6 实验结果与分析 | 第57-60页 |
| 5.3 目标跟踪中的CamShift算法改进 | 第60-65页 |
| 5.3.1 CamShift算法 | 第60-61页 |
| 5.3.2 局部二元模式纹理 | 第61-62页 |
| 5.3.3 改进的CamShift算法与Kalman滤波融合的人脸跟踪 | 第62-63页 |
| 5.3.4 实验结果与分析 | 第63-65页 |
| 5.4 本章小结 | 第65-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间发表的论文 | 第73-74页 |
| 详细摘要 | 第74-79页 |