| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究目的与意义 | 第9-10页 |
| 1.2 国内外研究现状与分析 | 第10-14页 |
| 1.2.1 运动目标检测与阴影消除方法概述 | 第11-12页 |
| 1.2.2 运动目标跟踪方法概述 | 第12-13页 |
| 1.2.3 目标分类与简单人体行为识别方法概述 | 第13-14页 |
| 1.3 本文主要内容 | 第14-16页 |
| 第2章 运动目标检测与阴影消除算法设计 | 第16-42页 |
| 2.1 引言 | 第16-17页 |
| 2.2 基于高斯混合模型的运动目标检测 | 第17-26页 |
| 2.2.1 背景模型估计 | 第18-19页 |
| 2.2.2 状态估计 | 第19页 |
| 2.2.3 高斯混合模型参数更新 | 第19-22页 |
| 2.2.4 高斯混合模型的改进算法 | 第22-26页 |
| 2.3 融合多特征的运动阴影检测与消除 | 第26-34页 |
| 2.3.1 基于 HSV 颜色特征的运动阴影检测与消除 | 第27-30页 |
| 2.3.2 基于纹理特征的运动阴影检测与消除 | 第30-33页 |
| 2.3.3 基于多特征融合的运动阴影检测算法 | 第33-34页 |
| 2.4 实验结果与分析 | 第34-40页 |
| 2.4.1 运动目标检测结果 | 第34-36页 |
| 2.4.2 阴影检测与消除结果 | 第36-40页 |
| 2.5 本章小结 | 第40-42页 |
| 第3章 运动目标跟踪算法设计 | 第42-63页 |
| 3.1 引言 | 第42-43页 |
| 3.2 粒子滤波算法 | 第43-51页 |
| 3.2.1 贝叶斯滤波算法原理 | 第43-46页 |
| 3.2.2 粒子滤波算法原理 | 第46-51页 |
| 3.3 基于增量式主成分分析的粒子滤波算法 | 第51-58页 |
| 3.3.1 增量式主成分分析算法 | 第52-55页 |
| 3.3.2 基于 IPCA 的粒子滤波器在目标跟踪中的应用 | 第55-58页 |
| 3.4 实验结果与分析 | 第58-61页 |
| 3.5 本章小结 | 第61-63页 |
| 第4章 运动目标分类与简单行为识别 | 第63-80页 |
| 4.1 引言 | 第63-64页 |
| 4.2 融合 HOG 和 LBP 信息的目标分类算法 | 第64-70页 |
| 4.2.1 HOG 特征与 LBP 特征介绍 | 第64-68页 |
| 4.2.2 基于 SVM 的运动目标分类方法 | 第68-70页 |
| 4.3 基于 Hu 矩的人体简单行为识别 | 第70-74页 |
| 4.3.1 行人目标 Hu 矩特征 | 第70-73页 |
| 4.3.2 Hu 矩特征相似性度量 | 第73-74页 |
| 4.4 实验结果与分析 | 第74-78页 |
| 4.4.1 运动目标分类结果 | 第75-77页 |
| 4.4.2 简单人体行为识别结果 | 第77-78页 |
| 4.5 本章小结 | 第78-80页 |
| 结论 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 攻读硕士学位期间申请的专利 | 第88-90页 |
| 致谢 | 第90页 |
