| 致谢 | 第9-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第19-35页 |
| 1.1 选题的背景和意义 | 第19-20页 |
| 1.2 复杂背景及其对运动目标检测与跟踪的影响 | 第20-24页 |
| 1.3 复杂背景下的运动目标检测与跟踪的研究现状 | 第24-31页 |
| 1.3.1 运动目标检测 | 第24-28页 |
| 1.3.2 运动目标跟踪 | 第28-31页 |
| 1.4 论文创新点和结构安排 | 第31-34页 |
| 1.4.1 研究内容和创新点 | 第31-32页 |
| 1.4.2 本文的结构安排 | 第32-34页 |
| 1.5 本章小结 | 第34-35页 |
| 第二章 基于CH特征的运动目标检测算法 | 第35-45页 |
| 2.1 相关工作介绍 | 第35-36页 |
| 2.2 算法整体思路 | 第36-40页 |
| 2.2.1 CH特征的计算及有效性分析 | 第36-38页 |
| 2.2.2 背景模型定义 | 第38-39页 |
| 2.2.3 背景模型初始化 | 第39页 |
| 2.2.4 训练背景模型 | 第39-40页 |
| 2.2.5 提取前景 | 第40页 |
| 2.3 实验结果与分析 | 第40-43页 |
| 2.4 本章小结 | 第43-45页 |
| 第三章 基于MARKOV和高斯混合模型的运动目标检测算法 | 第45-59页 |
| 3.1 相关工作介绍 | 第45页 |
| 3.2 相关概念介绍 | 第45-47页 |
| 3.2.1 马尔可夫随机游走 | 第45-47页 |
| 3.2.2 高斯混合算法 | 第47页 |
| 3.3 算法整体思路 | 第47-54页 |
| 3.3.1 Markov随机游走提取边缘 | 第47-52页 |
| 3.3.2 运动目标检测与形态学处理 | 第52-54页 |
| 3.4 实验结果与分析 | 第54-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第四章 基于旋转不变LBP特征的MEAN SHIFT跟踪算法 | 第59-75页 |
| 4.1 相关工作介绍 | 第59-60页 |
| 4.2 MEAN SHIFT算法 | 第60-63页 |
| 4.2.1 非参数核密度估计 | 第60-61页 |
| 4.2.2 密度梯度估计 | 第61-62页 |
| 4.2.3 Mean Shift算法原理 | 第62-63页 |
| 4.3 算法整体思路 | 第63-68页 |
| 4.3.1 算法描述 | 第64页 |
| 4.3.2 提取目标特征 | 第64-66页 |
| 4.3.3 相似度计算 | 第66-67页 |
| 4.3.4 运动目标定位 | 第67-68页 |
| 4.4 实验结果与分析 | 第68-73页 |
| 4.5 本章小结 | 第73-75页 |
| 第五章 抗遮挡自适应的粒子滤波算法 | 第75-89页 |
| 5.1 相关工作介绍 | 第75-76页 |
| 5.2 粒子滤波相关算法研究 | 第76-79页 |
| 5.2.1 粒子滤波算法原理 | 第76-77页 |
| 5.2.2 粒子滤波算法的模块化分析 | 第77-79页 |
| 5.3 算法整体思路 | 第79-83页 |
| 5.3.1 算法具体步骤 | 第80页 |
| 5.3.2 粒子权重计算 | 第80-81页 |
| 5.3.3 K均值聚类(KM)重采样 | 第81-82页 |
| 5.3.4 跟踪窗修正 | 第82-83页 |
| 5.4 实验结果与分析 | 第83-87页 |
| 5.5 本章小结 | 第87-89页 |
| 第六章 总结与展望 | 第89-93页 |
| 6.1 论文工作总结 | 第89-90页 |
| 6.2 未来工作展望 | 第90-93页 |
| 参考文献 | 第93-104页 |
| 个人简历 | 第104-105页 |
| 攻读博士学位期间的学术活动及成果情况 | 第105-106页 |