| 摘要 | 第1-7页 |
| ABSTRACT | 第7-15页 |
| 表格索引 | 第15-16页 |
| 图形索引 | 第16-18页 |
| 算法索引 | 第18-19页 |
| 第一章 绪论 | 第19-49页 |
| ·论文的研究背景 | 第19-21页 |
| ·论文的选题和意义 | 第21-24页 |
| ·国内外研究现状 | 第24-40页 |
| ·人体检测研究现状 | 第24-28页 |
| ·人体检测方法比较 | 第28-29页 |
| ·人体检测方法不足 | 第29页 |
| ·人体跟踪研究现状 | 第29-38页 |
| ·人体跟踪方法比较 | 第38-39页 |
| ·人体跟踪方法不足 | 第39-40页 |
| ·国内外应用现状 | 第40-44页 |
| ·论文的研究内容及组织结构 | 第44-47页 |
| ·论文的研究内容 | 第44页 |
| ·论文的组织结构 | 第44-47页 |
| ·论文的主要创新点 | 第47-49页 |
| 第二章 基于区间分布模型的运动目标检测算法 | 第49-66页 |
| ·引言 | 第49-50页 |
| ·区间分布式背景模型算法介绍 | 第50-61页 |
| ·对减背景方法的讨论 | 第50-53页 |
| ·区间分布模型 | 第53-55页 |
| ·背景更新策略 | 第55-56页 |
| ·前景的判断 | 第56页 |
| ·形态学降噪 | 第56-59页 |
| ·算法的总体流程 | 第59-61页 |
| ·实验结果及分析 | 第61-64页 |
| ·背景提取过程分析 | 第61-63页 |
| ·算法的鲁棒性分析 | 第63-64页 |
| ·与其他算法对比分析 | 第64页 |
| ·本章小结 | 第64-66页 |
| 第三章 基于GABOR小波和颜色模型的阴影检测算法 | 第66-75页 |
| ·引言 | 第66页 |
| ·现有的阴影检测算法介绍 | 第66-69页 |
| ·基于模型的阴影检测 | 第66-67页 |
| ·基于纹理的阴影检测 | 第67页 |
| ·基于阴影属性的阴影检测 | 第67-68页 |
| ·混合的阴影检测方法 | 第68页 |
| ·各种阴影检测方法的比较 | 第68-69页 |
| ·基于GABOR小波和颜色模型的阴影检测算法介绍 | 第69-72页 |
| ·建立背景模型 | 第69页 |
| ·建立阴影颜色模型 | 第69-70页 |
| ·前景提取 | 第70页 |
| ·Gabor小波纹理特征分析 | 第70-71页 |
| ·颜色模型分析 | 第71-72页 |
| ·算法的总体流程 | 第72页 |
| ·实验结果及分析 | 第72-74页 |
| ·算法定性对比分析 | 第72-73页 |
| ·算法定量对比分析 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 第四章 基于混合特征集的ADABOOST行人检测算法 | 第75-99页 |
| ·引言 | 第75-76页 |
| ·ADABOOST行人检测算法 | 第76-83页 |
| ·算法原理 | 第76-77页 |
| ·特征集 | 第77-80页 |
| ·样本训练过程 | 第80-81页 |
| ·算法的步骤描述 | 第81页 |
| ·行人级联检测 | 第81-83页 |
| ·基于混合特征集的ADABOOST行人检测算法 | 第83-94页 |
| ·对原算法的讨论 | 第83-84页 |
| ·三角特征集 | 第84-86页 |
| ·混合特征集 | 第86-87页 |
| ·多尺度窗口搜索策略 | 第87-88页 |
| ·改进的样本训练过程 | 第88-90页 |
| ·算法流程 | 第90-94页 |
| ·实验结果及分析 | 第94-98页 |
| ·样本集 | 第94页 |
| ·特征集分析 | 第94-97页 |
| ·检测结果分析 | 第97页 |
| ·与其他算法对比分析 | 第97-98页 |
| ·本章小结 | 第98-99页 |
| 第五章 基于量子演化算法的行人检测优化算法 | 第99-114页 |
| ·引言 | 第99-100页 |
| ·支持向量机模型分析 | 第100-103页 |
| ·线性支持向量机 | 第101-102页 |
| ·非线性支持向量机 | 第102页 |
| ·支持向量机核函数 | 第102-103页 |
| ·基于SVM的分级行人检测算法 | 第103-104页 |
| ·基于AdaBoost的行人检测 | 第103-104页 |
| ·基于SVM的行人检测 | 第104页 |
| ·基于量子演化算法的行人检测优化 | 第104-106页 |
| ·多目标优化 | 第105-106页 |
| ·参数优化模型描述 | 第106页 |
| ·传统的量子演化算法 | 第106-107页 |
| ·算法描述 | 第106-107页 |
| ·量子位二进制协同编码 | 第107页 |
| ·改进的量子演化算法 | 第107-112页 |
| ·对原算法的讨论 | 第107页 |
| ·实值量子编码 | 第107-108页 |
| ·量子种群初始化 | 第108页 |
| ·观测量子染色体 | 第108-109页 |
| ·均匀交叉操作 | 第109页 |
| ·非均匀变异操作 | 第109-110页 |
| ·密度比较算子 | 第110-111页 |
| ·更新量子染色体 | 第111-112页 |
| ·算法描述 | 第112页 |
| ·实验结果及其分析 | 第112-113页 |
| ·检测结果分析 | 第112-113页 |
| ·本章小结 | 第113-114页 |
| 第六章 基于CAMSHIFT和多因素关联矩阵的行人跟踪算法 | 第114-131页 |
| ·引言 | 第114-116页 |
| ·改进CAMSHIFT的目标跟踪算法 | 第116-121页 |
| ·传统的CamShift算法原理 | 第116-117页 |
| ·搜索窗的质心的计算 | 第117-118页 |
| ·搜索窗的大小的计算 | 第118页 |
| ·传统的CamShift算法描述 | 第118-119页 |
| ·改进的CamShift算法 | 第119-121页 |
| ·基于CAMSHIFT和多因素关联矩阵的行人跟踪算法 | 第121-128页 |
| ·算法原理 | 第121-123页 |
| ·前景模型 | 第123页 |
| ·运动模型 | 第123-124页 |
| ·多因素数据关联矩阵 | 第124-126页 |
| ·聚集目标的顺序定位算法 | 第126页 |
| ·算法流程 | 第126-128页 |
| ·实验结果及分析 | 第128-130页 |
| ·本章小结 | 第130-131页 |
| 第七章 论文成果总结与展望 | 第131-135页 |
| ·论文成果总结 | 第131-132页 |
| ·研究展望 | 第132-135页 |
| ·行人检测跟踪领域的展望 | 第132-134页 |
| ·对本论文进一步深入研究的展望 | 第134-135页 |
| 参考文献 | 第135-147页 |
| 攻读博士学位期间取得的研究成果 | 第147-148页 |
| 致谢 | 第148页 |
