| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-22页 |
| ·本课题研究的背景和意义 | 第10页 |
| ·视频目标跟踪技术的发展与应用 | 第10-12页 |
| ·视频目标跟踪技术的发展 | 第10-11页 |
| ·视频目标跟踪技术的应用 | 第11-12页 |
| ·视频目标跟踪的主要问题 | 第12-13页 |
| ·目标检测方法 | 第13-14页 |
| ·静态背景下的目标检测 | 第13页 |
| ·动态背景下的目标检测 | 第13-14页 |
| ·视频目标跟踪算法 | 第14-16页 |
| ·基于运动分析的方法 | 第14-15页 |
| ·基于图像匹配的方法 | 第15-16页 |
| ·Mean Shift 算法简介 | 第16-20页 |
| ·Mean Shift 的理论基础 | 第16-18页 |
| ·Mean Shift 的应用 | 第18-19页 |
| ·Mean Shift 的缺点与改进算法 | 第19-20页 |
| ·本文的章节安排和主要工作 | 第20-22页 |
| 第二章 Mean Shift 理论基础 | 第22-34页 |
| ·引言 | 第22页 |
| ·非参数密度估计理论研究 | 第22-29页 |
| ·参数密度估计 | 第22-24页 |
| ·非参数密度估计 | 第24-25页 |
| ·密度估计量的基本性质 | 第24页 |
| ·非参数密度估计的通用表达式 | 第24-25页 |
| ·核密度估计的定义 | 第25-28页 |
| ·核密度估计的收敛性 | 第28-29页 |
| ·参数估计与非参数估计的区别 | 第29页 |
| ·Mean Shift 理论 | 第29-33页 |
| ·多维空间下的非参数密度估计 | 第29-31页 |
| ·多变量核函数的生产方式 | 第29-30页 |
| ·多维空间下的非参数密度估计 | 第30-31页 |
| ·Mean Shift 向量 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 基于 Mean Shift 算法的目标跟踪 | 第34-50页 |
| ·引言 | 第34页 |
| ·颜色空间及Mean Shift 跟踪算法原理 | 第34-41页 |
| ·图像的颜色空间 | 第34-37页 |
| ·常用颜色空间 | 第34-36页 |
| ·颜色模型的转换算法 | 第36-37页 |
| ·直方图的计算 | 第37页 |
| ·目标模型与候选模型 | 第37-38页 |
| ·相似性度量 | 第38-39页 |
| ·模板更新策略 | 第39-40页 |
| ·Mean Shift 算法流程 | 第40-41页 |
| ·核函数带宽自适应的Mean Shift 算法跟踪 | 第41-44页 |
| ·核函数带宽选择的特点 | 第41页 |
| ·目标运动的仿射变换表示 | 第41页 |
| ·算法结构 | 第41-43页 |
| ·实验与结果分析 | 第43-44页 |
| ·基于张量梯度的Mean Shift 算法跟踪 | 第44-49页 |
| ·基于纹理信息的跟踪方法 | 第44页 |
| ·张量梯度原理 | 第44-46页 |
| ·算法结构 | 第46-47页 |
| ·实验与结果分析 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 Cam Shift 算法的目标跟踪方法 | 第50-61页 |
| ·引言 | 第50页 |
| ·CamShift 算法跟踪 | 第50-54页 |
| ·反向投影直方图 | 第50-51页 |
| ·算法跟踪原理 | 第51页 |
| ·算法实现步骤 | 第51-53页 |
| ·算法分析 | 第53-54页 |
| ·Kalman 滤波方法 | 第54-57页 |
| ·Kalman 滤波方法简介 | 第54-55页 |
| ·Kalman 滤波方法分析 | 第55页 |
| ·应用Kalman 滤波器 | 第55-57页 |
| ·融合Kalman 滤波和CamShift 跟踪方法 | 第57-60页 |
| ·基本思想 | 第57页 |
| ·具体实现步骤 | 第57页 |
| ·遮挡问题的处理 | 第57-59页 |
| ·快速目标跟踪实验 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 运动目标检测 | 第61-76页 |
| ·引言 | 第61页 |
| ·运动目标检测方法 | 第61-64页 |
| ·光流场方法 | 第61-62页 |
| ·背景差分方法 | 第62页 |
| ·帧差分方法 | 第62-63页 |
| ·AdaBoost 检测方法 | 第63-64页 |
| ·AdaBoost 算法 | 第64-73页 |
| ·Haar-like 特征 | 第66-69页 |
| ·Haar-like 特征定义 | 第66-67页 |
| ·Haar-like 特征值的计算 | 第67-68页 |
| ·Haar-like 特征数量 | 第68-69页 |
| ·积分图 | 第69-72页 |
| ·积分图概述 | 第69-71页 |
| ·利用积分图计算Haar-like 特征值 | 第71-72页 |
| ·训练分类器 | 第72-73页 |
| ·弱分类器 | 第72页 |
| ·强分类器 | 第72-73页 |
| ·级联分类器 | 第73页 |
| ·实验结果 | 第73-75页 |
| ·本章小结 | 第75-76页 |
| 第六章 视频目标跟踪系统的设计及实现 | 第76-88页 |
| ·OpenCV 简介 | 第76页 |
| ·目标跟踪系统框架 | 第76-83页 |
| ·前景检测模块 | 第77-78页 |
| ·新团块检测模块 | 第78-79页 |
| ·团块跟踪模块 | 第79-81页 |
| ·团块跟踪模块列表 | 第80页 |
| ·单团块跟踪模块 | 第80-81页 |
| ·轨迹生成模块 | 第81页 |
| ·轨迹后处理模块 | 第81-83页 |
| ·轨迹后处理模块列表 | 第82页 |
| ·单轨迹的后处理模块 | 第82-83页 |
| ·跟踪流程处理模块 | 第83页 |
| ·自定义模块添加 | 第83-87页 |
| ·自定义人脸检测模块 | 第83-84页 |
| ·自定义Mean Shift 跟踪模块 | 第84页 |
| ·程序运行演示 | 第84-87页 |
| ·本章小结 | 第87-88页 |
| 第七章 总结与展望 | 第88-90页 |
| 参考文献 | 第90-94页 |
| 致谢 | 第94-95页 |
| 攻读学位期间的研究成果 | 第95页 |
