基于仿生智能的多目标跟踪算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 前言 | 第9-26页 |
| ·引言 | 第9-10页 |
| ·论文研究背景及意义 | 第10-13页 |
| ·运动目标检测与跟踪方法发展与研究现状 | 第13-24页 |
| ·运动目标检测发展与研究现状 | 第13-17页 |
| ·运动目标跟踪发展与研究现状 | 第17-24页 |
| ·本文主要研究内容及结构安排 | 第24-26页 |
| 第2章 动态背景建模方法研究 | 第26-38页 |
| ·引言 | 第26-27页 |
| ·常见自适应动态背景建模方法 | 第27-36页 |
| ·统计平均法 | 第28页 |
| ·W4 方法 | 第28-29页 |
| ·中值滤波方法 | 第29页 |
| ·IIR滤波器方法 | 第29页 |
| ·线性预测滤波方法 | 第29-31页 |
| ·非参数核函数概率密度估计法 | 第31-32页 |
| ·本征背景法 | 第32-33页 |
| ·单高斯背景建模方法 | 第33-34页 |
| ·混合高斯背景建模方法 | 第34-36页 |
| ·各种背景建模方法的比较 | 第36页 |
| ·本章小结 | 第36-38页 |
| 第3章 基于混合高斯模型和仿生思想的智能背景建模 | 第38-52页 |
| ·引言 | 第38页 |
| ·噪声去除 | 第38-39页 |
| ·阴影去除 | 第39-43页 |
| ·颜色空间转换 | 第39-41页 |
| ·阴影模型 | 第41页 |
| ·实验结果 | 第41-43页 |
| ·学习率自适应的在线更新方法 | 第43-46页 |
| ·算法介绍 | 第43-44页 |
| ·实验结果 | 第44-46页 |
| ·记忆式背景建模方法 | 第46-51页 |
| ·人类观察环境过程的分析 | 第46页 |
| ·记忆式背景模型 | 第46-47页 |
| ·实验结果 | 第47-51页 |
| ·本章小结 | 第51-52页 |
| 第4章 基于运动检测和粒子滤波的多目标跟踪 | 第52-61页 |
| ·引言 | 第52页 |
| ·粒子滤波方法介绍 | 第52-55页 |
| ·贝叶斯滤波原理 | 第52-53页 |
| ·序贯重要采样法（SIS） | 第53-54页 |
| ·退化现象及消除退化现象的关键技术 | 第54-55页 |
| ·基于运动检测和粒子滤波的多目标跟踪 | 第55-57页 |
| ·状态模型 | 第55-56页 |
| ·观测模型 | 第56页 |
| ·多目标跟踪算法实现 | 第56-57页 |
| ·实验结果 | 第57-59页 |
| ·本章小结 | 第59-61页 |
| 总结 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间取得的学术成果 | 第69-70页 |
| 致谢 | 第70页 |
