| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 智能监控跟踪课题的背景与意义 | 第10-11页 |
| 1.2 目标跟踪研究与应用研究现状 | 第11-13页 |
| 1.3 本课题难点及研究方向 | 第13-14页 |
| 1.4 本文章节安排 | 第14-16页 |
| 第2章 运动目标检测与跟踪的算法研究 | 第16-28页 |
| 2.1 图像序列的预处理 | 第16-20页 |
| 2.1.1 图像去噪 | 第16-18页 |
| 2.1.2 图像增强 | 第18-20页 |
| 2.2 运动目标的检测算法 | 第20-23页 |
| 2.2.1 帧间差分法 | 第20-21页 |
| 2.2.2 背景差分法 | 第21-23页 |
| 2.2.3 光流法 | 第23页 |
| 2.3 当前流行的跟踪算法 | 第23-26页 |
| 2.3.1 基于Mean-Shift的目标跟踪算法 | 第24页 |
| 2.3.2 基于卡尔曼滤波的跟踪算法 | 第24-26页 |
| 2.3.3 基于粒子滤波的跟踪算法 | 第26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 局部特征 | 第28-36页 |
| 3.1传统跟踪特征 | 第28-31页 |
| 3.1.1 颜色特征 | 第28-29页 |
| 3.1.2 SIFT特征 | 第29-30页 |
| 3.1.3 LBP纹理特征 | 第30-31页 |
| 3.2 Shape Context特征 | 第31-32页 |
| 3.3 不变性和鲁棒性 | 第32-35页 |
| 3.3.1 对平移、旋转不变性的试验 | 第33页 |
| 3.3.2 对遮挡问题的试验 | 第33-35页 |
| 3.3.3 对光照问题的试验 | 第35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于Shape Context特征的Mean Shift目标跟踪算法 | 第36-45页 |
| 4.1 确定目标轮廓点 | 第36-37页 |
| 4.2 基于Shape Context特征的Mean Shift目标跟踪算法 | 第37-39页 |
| 4.2.1 传统Mean Shift算法的不足 | 第37-38页 |
| 4.2.2 算法介绍 | 第38页 |
| 4.2.3 算法流程 | 第38-39页 |
| 4.3 基于Shape Context特征的Mean Shift目标跟踪算法实验分析 | 第39-44页 |
| 4.3.1 对遮挡情况的实验 | 第40-41页 |
| 4.3.2 对多运动物体特定目标跟踪的实验仿真 | 第41-42页 |
| 4.3.3 针对相似性物体目标检测的实验仿真 | 第42-43页 |
| 4.3.4 对本算法进行迭代时间分析对比实验 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 复杂背景下目标跟踪算法的改进 | 第45-53页 |
| 5.1 算法存在不足 | 第45页 |
| 5.2 算法改进 | 第45-47页 |
| 5.2.1 模板更新 | 第45-46页 |
| 5.2.2 减除背景干扰 | 第46-47页 |
| 5.3针对复杂背景下目标中特定目标跟踪的实验分析 | 第47-51页 |
| 5.3.1 针对复杂背景的目标跟踪实验仿真 | 第48-49页 |
| 5.3.2 针对背景移动的目标跟踪实验仿真 | 第49-50页 |
| 5.3.3 针对形变的目标跟踪实验仿真 | 第50-51页 |
| 5.4 本章小结 | 第51-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第59-60页 |
| 致谢 | 第60页 |
