| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 移动目标检测国内外研究现状 | 第10-12页 |
| 1.2.2 移动目标识别国内外研究现状 | 第12页 |
| 1.2.3 移动目标跟踪国内外研究现状 | 第12-15页 |
| 1.3 论文研究内容 | 第15页 |
| 1.4 论文结构 | 第15-18页 |
| 第二章 移动目标检测算法的改进与实现 | 第18-40页 |
| 2.1 读取基于HiMPP媒体软件的视频流 | 第18-19页 |
| 2.2 移动目标检测算法分析 | 第19-22页 |
| 2.2.1 光流算法 | 第19-20页 |
| 2.2.2 帧间差分算法 | 第20-21页 |
| 2.2.3 背景减差法 | 第21-22页 |
| 2.3 目标检测算法比较 | 第22-25页 |
| 2.4 背景建模算法 | 第25-29页 |
| 2.4.1 单高斯背景建模 | 第25-26页 |
| 2.4.2 混合高斯背景建模 | 第26-29页 |
| 2.5 改进的移动目标检测算法设计实现 | 第29-33页 |
| 2.5.1 背景模型更新机制 | 第29页 |
| 2.5.2 目标检测算法参数设定 | 第29-32页 |
| 2.5.3 目标检测算法流程 | 第32-33页 |
| 2.6 实验结果分析 | 第33-38页 |
| 2.7 本章小结 | 第38-40页 |
| 第三章 人体目标识别算法的研究与实现 | 第40-54页 |
| 3.1 人体特征描述算子 | 第40-41页 |
| 3.1.1 尺度不变特征 | 第40-41页 |
| 3.1.2 SURF特征 | 第41页 |
| 3.1.3 HOG特征 | 第41页 |
| 3.2 人体特征描述算子比较 | 第41-42页 |
| 3.3 分类器介绍 | 第42-45页 |
| 3.3.1 支持向量机分类器 | 第42-44页 |
| 3.3.2 Adaboost分类器 | 第44-45页 |
| 3.4 分类器算法比较 | 第45-46页 |
| 3.5 基于HOG特征的SVM分类器算法设计 | 第46-52页 |
| 3.5.1 HOG特征提取 | 第46-49页 |
| 3.5.2 SVM分类器训练 | 第49页 |
| 3.5.3 实验仿真结果分析 | 第49-52页 |
| 3.6 本章小结 | 第52-54页 |
| 第四章 移动目标跟踪算法的改进与实现 | 第54-72页 |
| 4.1 移动目标跟踪算法思想概述 | 第54-55页 |
| 4.1.1 基于目标特征的跟踪算法思想 | 第54-55页 |
| 4.1.2 基于目标区域的跟踪算法思想 | 第55页 |
| 4.1.3 基于主动轮廓的目标跟踪算法思想 | 第55页 |
| 4.1.4 基于模型的目标跟踪算法思想 | 第55页 |
| 4.2 移动目标跟踪算法分析 | 第55-58页 |
| 4.2.1 基于卡尔曼滤波的移动目标跟踪算法 | 第56页 |
| 4.2.2 基于粒子滤波的移动目标跟踪算法 | 第56-57页 |
| 4.2.3 基于Camshift的移动目标跟踪算法 | 第57-58页 |
| 4.3 改进的Camshift移动目标跟踪算法 | 第58-63页 |
| 4.3.1 目标分块跟踪的实现 | 第58-59页 |
| 4.3.2 几何关系直方图的建立与匹配 | 第59-61页 |
| 4.3.3 改进的目标模板更新方式 | 第61-63页 |
| 4.4 实验结果分析 | 第63-70页 |
| 4.5 本章小结 | 第70-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 论文总结 | 第72页 |
| 5.2 未来工作展望 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-82页 |