移动目标的自适应检测技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10页 |
| 1.3 视频跟踪算法概述 | 第10-12页 |
| 1.3.1 光流法 | 第11页 |
| 1.3.2 运动估计法 | 第11页 |
| 1.3.3 基于识别的目标跟踪算法 | 第11-12页 |
| 1.3.4 基于特征搜索的目标跟踪算法 | 第12页 |
| 1.4 本文主要工作以及组织机构 | 第12-13页 |
| 第2章 基于背景的目标检测与跟踪 | 第13-25页 |
| 2.1 目标检测算法 | 第13-19页 |
| 2.1.1 背景差方法 | 第13-14页 |
| 2.1.2 帧差法 | 第14-15页 |
| 2.1.3 光流法 | 第15-16页 |
| 2.1.4 混合高斯背景建模 | 第16-19页 |
| 2.2 运动跟踪算法 | 第19-22页 |
| 2.2.1 均值移动目标跟踪方法 | 第19-21页 |
| 2.2.2 Camshift目标跟踪方法 | 第21-22页 |
| 2.3 实验结果分析 | 第22-23页 |
| 2.4 小结 | 第23-25页 |
| 第3章 基于特征的目标检测与跟踪 | 第25-47页 |
| 3.1 常用特征 | 第25-31页 |
| 3.1.1 梯度方向直方图 | 第25-28页 |
| 3.1.2 局部二进制模式 | 第28-31页 |
| 3.2 基于特征的分类器 | 第31-35页 |
| 3.2.1 机器学习基础 | 第31页 |
| 3.2.2 支持向量机 | 第31-34页 |
| 3.2.3 集成学习 | 第34-35页 |
| 3.3 基于卷积神经网络的目标检测 | 第35-39页 |
| 3.3.1 深度学习 | 第35页 |
| 3.3.2 卷积神经网络 | 第35-39页 |
| 3.4 实验结果分析 | 第39-45页 |
| 3.4.1 样本采集 | 第39-40页 |
| 3.4.2 HOG-SVM训练检测行人目标 | 第40-43页 |
| 3.4.3 LBP-随机森林训练检测行人目标 | 第43页 |
| 3.4.4 深度学习训练检测目标 | 第43-45页 |
| 3.5 小结 | 第45-47页 |
| 第4章 自适应聚类检测 | 第47-57页 |
| 4.1 基于网格的自适应检测 | 第47-49页 |
| 4.1.1 网格划分 | 第47-49页 |
| 4.2 自适应聚类检测定位 | 第49-51页 |
| 4.3 聚类中心优化 | 第51-53页 |
| 4.4 背景特征结合检测目标 | 第53-55页 |
| 4.5 小结 | 第55-57页 |
| 第5章 三维立体视觉 | 第57-63页 |
| 5.1 三维立体视觉 | 第57-60页 |
| 5.1.1 摄像机的标定 | 第57-60页 |
| 5.2 三维立体标定 | 第60-61页 |
| 5.3 实验结果与分析 | 第61-62页 |
| 5.4 小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 本文总结 | 第63-64页 |
| 6.2 研究展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 附录 | 第68-71页 |
| 发表论文和参加科研情况说明 | 第71-72页 |
| 致谢 | 第72-73页 |
