| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究的背景及意义 | 第10页 |
| 1.2 国内外相关研究现状 | 第10-13页 |
| 1.2.1 智能视频监控系统 | 第10-11页 |
| 1.2.2 运动目标检测研究现状 | 第11-12页 |
| 1.2.3 目标识别研究现状 | 第12页 |
| 1.2.4 运动目标跟踪研究现状 | 第12-13页 |
| 1.3 论文主要研究内容 | 第13-14页 |
| 第2章 静态场景下基于改进ViBe的多运动目标检测 | 第14-32页 |
| 2.1 运动目标检测基本步骤 | 第14-19页 |
| 2.1.1 视频图像帧 | 第14页 |
| 2.1.2 图像预处理 | 第14-17页 |
| 2.1.3 运动目标检测 | 第17-18页 |
| 2.1.4 形态学处理 | 第18-19页 |
| 2.2 运动目标检测方法概述 | 第19-21页 |
| 2.2.1 背景差分 | 第19-20页 |
| 2.2.2 帧间差分 | 第20-21页 |
| 2.2.3 光流法 | 第21页 |
| 2.3 改进的ViBe算法 | 第21-30页 |
| 2.3.1 ViBe算法 | 第22-24页 |
| 2.3.2 改进的ViBe算法 | 第24-27页 |
| 2.3.3 改进算法具体实现步骤 | 第27-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 基于SVM的人体目标识别的设计与研究 | 第32-44页 |
| 3.1 检测识别算法概述 | 第32-33页 |
| 3.2 基于SVM的人体目标检测识别设计 | 第33-40页 |
| 3.2.1 人体目标识别过程 | 第33-34页 |
| 3.2.2 人体检测识别特征 | 第34-35页 |
| 3.2.3 支持向量机 | 第35-36页 |
| 3.2.4 训练分类器实现步骤 | 第36-40页 |
| 3.3 基于改进的ViBe和SVM的运动目标检测识别 | 第40-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 基于融合检测的混合粒子滤波的目标跟踪 | 第44-65页 |
| 4.1 粒子滤波理论 | 第44-48页 |
| 4.1.1 贝叶斯滤波原理 | 第44-45页 |
| 4.1.2 粒子滤波算法 | 第45-48页 |
| 4.2 混合粒子滤波 | 第48-50页 |
| 4.2.1 混合贝叶斯滤波 | 第48-49页 |
| 4.2.2 混合粒子滤波 | 第49页 |
| 4.2.3 融合SVM分类检测的重要密度函数 | 第49-50页 |
| 4.3 粒子滤波目标跟踪算法 | 第50-55页 |
| 4.3.1 目标模型 | 第50页 |
| 4.3.2 观测模型 | 第50-52页 |
| 4.3.3 特征融合 | 第52-53页 |
| 4.3.4 目标模型的更新 | 第53页 |
| 4.3.5 遮挡处理 | 第53-54页 |
| 4.3.6 跟踪流程 | 第54-55页 |
| 4.4 仿真验证 | 第55-63页 |
| 4.4.1 单目标跟踪验证 | 第56-57页 |
| 4.4.2 多目标跟踪验证 | 第57-63页 |
| 4.5 本章小结 | 第63-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第73-75页 |
| 致谢 | 第75页 |