| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题研究背景和意义 | 第8-9页 |
| 1.2 相关技术简介 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 论文的主要研究内容 | 第12-13页 |
| 第二章 智能视频监控及图像处理相关知识 | 第13-25页 |
| 2.1 智能视频监控系统概述 | 第13-20页 |
| 2.1.1 智能视频监控系统的工作原理 | 第13-14页 |
| 2.1.2 智能视频监控系统的体系架构 | 第14-17页 |
| 2.1.3 智能视频监控系统的优势 | 第17-18页 |
| 2.1.4 智能视频监控系统的应用 | 第18-20页 |
| 2.2 数字图像处理相关技术概述 | 第20-24页 |
| 2.2.1 图像预处理技术 | 第20-22页 |
| 2.2.2 图像分割方法 | 第22-23页 |
| 2.2.3 图像的形态学处理方法 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 智能视频监控中运动目标检测 | 第25-38页 |
| 3.1 运动目标检测概述 | 第25页 |
| 3.2 光流法运动目标检测 | 第25-26页 |
| 3.3 时间差分法运动目标检测 | 第26-28页 |
| 3.4 背景差分法运动目标检测 | 第28-30页 |
| 3.5 背景建模方法 | 第30-33页 |
| 3.5.1 普通背景建模算法 | 第30-31页 |
| 3.5.2 混合高斯背景建模算法 | 第31-33页 |
| 3.5.3 实验仿真结果与分析 | 第33页 |
| 3.6 改进的混合高斯背景建模算法 | 第33-37页 |
| 3.6.1 自适应混合高斯背景建模算法 | 第34-35页 |
| 3.6.2 基于三帧差分法的改进算法 | 第35-36页 |
| 3.6.3 实验仿真结果与分析 | 第36-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第四章 智能视频监控中目标跟踪算法 | 第38-54页 |
| 4.1 运动目标跟踪算法概述 | 第38-39页 |
| 4.2 均值移动(Mean shift)算法 | 第39-42页 |
| 4.2.1 目标模型的建立 | 第39-40页 |
| 4.2.2 候选模型的建立 | 第40页 |
| 4.2.3 相似性度量 | 第40页 |
| 4.2.4 目标定位 | 第40-42页 |
| 4.3 卡尔曼（Kalman）滤波跟踪算法 | 第42-46页 |
| 4.3.1 Kalman 滤波模型建立 | 第42-43页 |
| 4.3.2 Kalman 滤波跟踪算法的实现 | 第43-46页 |
| 4.4 粒子滤波（Particle Filter）跟踪算法 | 第46-48页 |
| 4.5 改进的运动目标跟踪算法 | 第48-53页 |
| 4.5.1 基于联合特征的Mean Shift 跟踪算法 | 第48-50页 |
| 4.5.2 基于Mean Shift 与粒子滤波的跟踪算法 | 第50-51页 |
| 4.5.3 实验仿真结果与分析 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 智能视频监控在平安城市中的应用 | 第54-61页 |
| 5.1 平安城市视频监控系统概述 | 第54页 |
| 5.2 平安城市视频监控系统介绍 | 第54-56页 |
| 5.2.1 整体化的解决方案 | 第54-55页 |
| 5.2.2 服务中心模块功能 | 第55-56页 |
| 5.3 智能视频分析在平安城市中的应用 | 第56-60页 |
| 5.3.1 智能视频分析产品形态 | 第56-57页 |
| 5.3.2 智能视频分析系统架构方式 | 第57-58页 |
| 5.3.3 平安城市中智能视频分析的配置 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 本文主要工作 | 第61页 |
| 6.2 下一步工作展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 攻读硕士学位期间发表的论文 | 第66-67页 |
| 致谢 | 第67-68页 |
| 详细摘要 | 第68-72页 |
