| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究的背景和意义 | 第8-10页 |
| 1.2 国内外研究现状分析 | 第10-13页 |
| 1.3 论文组织结构 | 第13-14页 |
| 第2章 视频分析中的基础算法 | 第14-26页 |
| 2.1 混合高斯背景法 | 第14-16页 |
| 2.2 Adaboost算法 | 第16-18页 |
| 2.3 Kalman滤波器算法 | 第18-19页 |
| 2.4 KLT跟踪算法 | 第19-22页 |
| 2.5 LSTM神经网络 | 第22-26页 |
| 2.5.1 LSTM的核心原理 | 第23-24页 |
| 2.5.2 LSTM的工作步骤 | 第24-25页 |
| 2.5.3 其他LSTM单元的结构 | 第25-26页 |
| 第3章 跟踪算法前沿 | 第26-36页 |
| 3.1 TLD跟踪算法 | 第26-29页 |
| 3.1.1 对象检测器的实现 | 第27-28页 |
| 3.1.2 跟踪器的实现 | 第28页 |
| 3.1.3 综合器的实现 | 第28页 |
| 3.1.4 在线学习模块的实现 | 第28-29页 |
| 3.1.5 TLD算法的优势与不足 | 第29页 |
| 3.2 KCF跟踪算法 | 第29-32页 |
| 3.2.1 正则化线性回归 | 第30页 |
| 3.2.2 循环位移的性质 | 第30-31页 |
| 3.2.3 非线性回归 | 第31-32页 |
| 3.3 基于深度学习的跟踪算法 | 第32-36页 |
| 3.3.1 利用辅助图片训练深度模型，在跟踪时做网络微调 | 第32-33页 |
| 3.3.2 利用现有数据集训练得到的神经网络提取特征进行跟踪 | 第33-34页 |
| 3.3.3 利用递归神经网络对目标做跟踪 | 第34-36页 |
| 第4章 人员翻越行为检测算法流程 | 第36-52页 |
| 4.1 前景判断分类器的训练 | 第37-38页 |
| 4.2 头部检测分类器的训练 | 第38-39页 |
| 4.3 基于混合高斯背景法和KLT算法的跟踪算法 | 第39-47页 |
| 4.3.1 基于KLT算法的特征点跟踪策略 | 第39-41页 |
| 4.3.2 跟踪目标前景区域的选择 | 第41-44页 |
| 4.3.3 基于权重计算的最终结果确定 | 第44-47页 |
| 4.3.4 退出跟踪的策略 | 第47页 |
| 4.4 基于先验知识的轨迹分析 | 第47-48页 |
| 4.5 基于LSTM的轨迹分析 | 第48-49页 |
| 4.6 实验结果 | 第49-52页 |
| 第5章 监控软件其他部分的设计 | 第52-58页 |
| 5.1 摄像头数据的读取与转换 | 第52-54页 |
| 5.2 软件的界面设计 | 第54-55页 |
| 5.3 短信报警模块的设计 | 第55-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 发表论文和参加科研情况说明 | 第66-68页 |
| 致谢 | 第68-69页 |