| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第12-31页 |
| 1.1 概述 | 第12-13页 |
| 1.2 课题研究现状 | 第13-25页 |
| 1.2.1 多传感器图像融合 | 第14-16页 |
| 1.2.2 运动目标检测 | 第16-18页 |
| 1.2.3 目标匹配 | 第18-19页 |
| 1.2.4 目标跟踪 | 第19-21页 |
| 1.2.5 目标识别 | 第21-24页 |
| 1.2.6 视频图像的智能信息一体化分析 | 第24-25页 |
| 1.3 存在的主要问题 | 第25-26页 |
| 1.4 本文主要工作 | 第26-29页 |
| 1.5 本文内容安排 | 第29-31页 |
| 第二章 相关理论与基础知识 | 第31-41页 |
| 2.1 概述 | 第31页 |
| 2.2 非下采样CONTOURLET变换 | 第31-38页 |
| 2.2.1 NSCT的结构 | 第31-32页 |
| 2.2.2 多尺度分解 | 第32-34页 |
| 2.2.3 多方向分解 | 第34-36页 |
| 2.2.4 非下采样滤波器组设计 | 第36-37页 |
| 2.2.5 非下采样滤波器组设计图像的非下采样轮廓波变换 | 第37-38页 |
| 2.3 运动目标检测VIBE算法 | 第38-40页 |
| 2.3.1 像素点背景建模 | 第39页 |
| 2.3.2 模型初始化 | 第39-40页 |
| 2.3.3 像素分类 | 第40页 |
| 2.3.4 模型更新 | 第40页 |
| 2.4 本章小结 | 第40-41页 |
| 第三章 优化图像融合和运动目标检测 | 第41-87页 |
| 3.1 概述 | 第41页 |
| 3.2 优化图像融合 | 第41-43页 |
| 3.3 基于非下采样CONTOURLET变换图像融合 | 第43页 |
| 3.4 结构相似度 | 第43-45页 |
| 3.5 归一化边缘保持度NEA(NORMALIZED EDGE ASSOCIATION) | 第45-46页 |
| 3.6 SSIM_NEA图像融合指标 | 第46页 |
| 3.7 基于非下采样CONTOURLET变换优化图像融合 | 第46-60页 |
| 3.7.1 基于非下采样Contourlet变换优化的图像融合算法 | 第46-50页 |
| 3.7.2 融合结果及分析 | 第50-60页 |
| 3.8 改进VIBE运动目标检测 | 第60-61页 |
| 3.9 提出的GC_STVIBE（GRAPHCUT_SPATIAL VISUAL BACKGROUND EXTRACTOR）算法 | 第61-64页 |
| 3.9.2 前景检测 | 第62-63页 |
| 3.9.3 背景模型更新 | 第63-64页 |
| 3.10 MEANSHIFT聚类 | 第64-66页 |
| 3.11 图割 | 第66-67页 |
| 3.12 构建网络流图 | 第67-68页 |
| 3.12.1 初始化S/T网络模型 | 第67页 |
| 3.12.2 计算Tlink的权值 | 第67-68页 |
| 3.12.3 计算Nlink的权值 | 第68页 |
| 3.13 实验结果及分析 | 第68-86页 |
| 3.13.1 评价指标 | 第68页 |
| 3.13.2 实验结果 | 第68-86页 |
| 3.14 本章小结 | 第86-87页 |
| 第四章 基于DELAUNAY三角剖分的鲁棒匹配 | 第87-108页 |
| 4.1 概述 | 第87-88页 |
| 4.2 问题定义 | 第88页 |
| 4.3 改进SIFT算法和三角剖分的特征点匹配 | 第88-98页 |
| 4.3.1 改进SIFT算法 | 第88-93页 |
| 4.3.2 Delaunay三角剖分 | 第93-94页 |
| 4.3.3 DelTri方法 | 第94-98页 |
| 4.4 实验结果及分析 | 第98-107页 |
| 4.4.1 DelTri特征点匹配 | 第98-107页 |
| 4.5 本章小结 | 第107-108页 |
| 第五章 交互多模粒子滤波视觉跟踪 | 第108-133页 |
| 5.1 概述 | 第108-109页 |
| 5.2 目标跟踪算法概述 | 第109-115页 |
| 5.2.1 目标特征表示 | 第110-115页 |
| 5.3 交互多模粒子滤波多特征自适应融合的视觉跟踪 | 第115-124页 |
| 5.3.1 运动模型 | 第115-116页 |
| 5.3.2 观测模型 | 第116-122页 |
| 5.3.3 交互多模粒子滤波融合跟踪算法 | 第122-124页 |
| 5.4 实验结果 | 第124-132页 |
| 5.4.1 测试数据集 | 第124页 |
| 5.4.2 实验结果分析 | 第124-132页 |
| 5.5 本章小结 | 第132-133页 |
| 第六章 结合时空关键点描述子和运动模板的目标识别 | 第133-144页 |
| 6.1 概述 | 第133-136页 |
| 6.2 特征提取 | 第136-140页 |
| 6.2.1 运动能量图像MEI和运动历史图像MHI | 第136-137页 |
| 6.2.2 Harris3D特征点检测 | 第137页 |
| 6.2.3 3DSIFT描述子 | 第137-140页 |
| 6.3 实验结果与分析 | 第140-143页 |
| 6.3.1 测试数据集 | 第140-141页 |
| 6.3.2 实验结果以及分析 | 第141-143页 |
| 6.4 本章小结 | 第143-144页 |
| 第七章 运动目标检测跟踪识别关键算法一体化分析 | 第144-168页 |
| 7.1 概述 | 第144-146页 |
| 7.1.1 Tracking Learning Detection(TLD)算法 | 第144-145页 |
| 7.1.2 本文提出的系统框架 | 第145-146页 |
| 7.2 系统原型采用的关键算法 | 第146-147页 |
| 7.2.1 运动目标检测 | 第146-147页 |
| 7.2.2 目标匹配 | 第147页 |
| 7.2.3 目标跟踪 | 第147页 |
| 7.2.4 系统原型整体框架 | 第147页 |
| 7.3 实验结果分析 | 第147-167页 |
| 7.3.1 评价指标 | 第147-148页 |
| 7.3.2 系统原型中所提出的算法部分测试 | 第148-161页 |
| 7.3.3 系统各部分之间的联系测试 | 第161-165页 |
| 7.3.4 与TLD算法性能比较 | 第165-167页 |
| 7.4 本章小结 | 第167-168页 |
| 第八章 全文总结 | 第168-171页 |
| 8.1 主要结论 | 第168-170页 |
| 8.2 研究展望 | 第170-171页 |
| 参考文献 | 第171-187页 |
| 致谢 | 第187-188页 |
| 攻读博士学位期间已发表或录用的论文 | 第188-191页 |
| 攻读博士学位期间参与的科研项目 | 第191-193页 |
| 附件 | 第193-195页 |
