| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-14页 |
| 1.3 论文的主要研究内容及章节安排 | 第14-17页 |
| 第2章 运动目标检测与识别的相关基础理论分析与研究 | 第17-27页 |
| 2.1 阈值分割方法介绍与分析 | 第17-18页 |
| 2.2 运动目标检测方法介绍与分析 | 第18-21页 |
| 2.2.1 帧差法 | 第18-19页 |
| 2.2.2 背景减除法 | 第19页 |
| 2.2.3 光流法 | 第19-20页 |
| 2.2.4 常用运动目标检测算法的比较与分析 | 第20-21页 |
| 2.3 目标识别方法介绍与分析 | 第21-23页 |
| 2.3.1 特征提取 | 第21-22页 |
| 2.3.2 目标分类技术 | 第22-23页 |
| 2.4 图像数据融合方法介绍与分析 | 第23-26页 |
| 2.4.1 像素层融合 | 第23页 |
| 2.4.2 特征层融合 | 第23-24页 |
| 2.4.3 决策层融合 | 第24-25页 |
| 2.4.4 三种融合层次的比较 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于IFA改进的二维OTSU阈值分割方法 | 第27-41页 |
| 3.1 二维OTSU算法 | 第27-29页 |
| 3.2 改进的萤火虫算法 | 第29-32页 |
| 3.2.1 萤火虫算法 | 第29-30页 |
| 3.2.2 基于惯性权重优化的萤火虫算法 | 第30-32页 |
| 3.3 基于IFA算法改进的二维OTSU图像阈值分割方法 | 第32-33页 |
| 3.3.1 IFA算法和二维OTSU图像阈值分割法的结合 | 第32页 |
| 3.3.2 基于IFA算法改进的阈值寻优步骤和流程图 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 基于ITFD和光流法的运动目标检测 | 第41-53页 |
| 4.1 改进的三帧差分法 | 第41-44页 |
| 4.1.1 三帧差分法 | 第41-42页 |
| 4.1.2 一种基于图像补偿改进的三帧差分法 | 第42-44页 |
| 4.2 基于改进的二维OTSU阈值分割法改进的三帧差分法 | 第44-45页 |
| 4.3 结合ITFD法与光流法的运动目标检测 | 第45-48页 |
| 4.3.1 Harris角点 | 第46-47页 |
| 4.3.2 计算稀疏光流的Lucas-Kanade算法 | 第47-48页 |
| 4.4 实验结果与分析 | 第48-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第5章 基于目标物理特征和HOG特征结合SVM分类器的运动目标识别 | 第53-73页 |
| 5.1 支持向量机（SVM）的原理 | 第53-59页 |
| 5.1.1 支持向量机（SVM）的原理 | 第53-54页 |
| 5.1.2 SVM的三种分类问题 | 第54-59页 |
| 5.1.3 核函数定义与选择 | 第59页 |
| 5.2 基于物理特征和HOG特征的目标识别方法 | 第59-66页 |
| 5.2.1 基于物理特征的目标初步筛选 | 第60-63页 |
| 5.2.2 基于HOG特征的目标精确识别 | 第63-66页 |
| 5.3 基于SVM的多类分类方法 | 第66-68页 |
| 5.4 实验结果与分析 | 第68-71页 |
| 5.5 本章小结 | 第71-73页 |
| 第6章 基于多视角目标图像决策层数据融合的目标识别方法 | 第73-81页 |
| 6.1 Bayes推理 | 第73-75页 |
| 6.2 多类SVM分类器概率输出 | 第75-76页 |
| 6.3 基于Bayes的图像决策融合 | 第76-78页 |
| 6.4 实验结果与分析 | 第78-80页 |
| 6.5 本章小结 | 第80-81页 |
| 第7章 总结与展望 | 第81-83页 |
| 7.1 本文工作总结 | 第81-82页 |
| 7.2 未来展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 在学期间研究成果 | 第87-89页 |
| 致谢 | 第89-90页 |
