| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题的研究背景与意义 | 第9-10页 |
| 1.2 视频检测技术的研究现状 | 第10-12页 |
| 1.3 本文主要研究的内容和结构 | 第12-14页 |
| 第2章 图像处理与模式识别基本概念 | 第14-25页 |
| 2.1 图像的色彩模型 | 第14-17页 |
| 2.1.1 RGB 颜色模型 | 第14-15页 |
| 2.1.2 HSV 颜色模型 | 第15-16页 |
| 2.1.3 YUV 颜色模型 | 第16-17页 |
| 2.2 图像的去噪声 | 第17-18页 |
| 2.3 图像的形态学处理 | 第18-21页 |
| 2.3.1 腐蚀 | 第19-20页 |
| 2.3.2 膨胀 | 第20-21页 |
| 2.3.3 开运算与闭运算 | 第21页 |
| 2.4 运动区域的标记 | 第21-23页 |
| 2.6 本章小结 | 第23-25页 |
| 第3章 运动目标的检测 | 第25-34页 |
| 3.1 运动目标检测算法 | 第25-30页 |
| 3.1.1 基于像素强弱的方法 | 第25-28页 |
| 3.1.2 基于运动变化的方法 | 第28-30页 |
| 3.2 背景建模及更新 | 第30-33页 |
| 3.2.1 核密度估计 | 第31页 |
| 3.2.2 单高斯模型 | 第31-32页 |
| 3.2.3 混合高斯模型 | 第32-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 人体特征训练 | 第34-44页 |
| 4.1 人体特征提取方法 | 第34-39页 |
| 4.1.1 基于灰度特征的 Haar-like 特征提取 | 第34-37页 |
| 4.1.2 基于梯度特征的特征提取 | 第37-38页 |
| 4.1.3 基于纹理特征 LBP 的特征提取 | 第38-39页 |
| 4.2 学习算法 | 第39-43页 |
| 4.2.1 AdaBoost 算法 | 第39-40页 |
| 4.2.2 SVM 方法 | 第40-42页 |
| 4.2.3 PCA 方法 | 第42-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第5章 视频中行人检测的实现 | 第44-52页 |
| 5.1 训练人体样本 | 第44-47页 |
| 5.1.1 训练样本的制作 | 第44-45页 |
| 5.1.2 样本的训练过程 | 第45-47页 |
| 5.2 检测运动物体并更新背景模型 | 第47-49页 |
| 5.3 检测视频中的行人 | 第49-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第57-58页 |
| 致谢 | 第58页 |