| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-16页 |
| ·E-Learning 概念 | 第9-10页 |
| ·智能教室的概念 | 第10-12页 |
| ·课题的提出与项目背景 | 第12-14页 |
| ·本文的主要工作 | 第14页 |
| ·本文的组织结构 | 第14-16页 |
| 第二章 国内外研究现状及分析 | 第16-23页 |
| ·引言 | 第16页 |
| ·运动目标检测 | 第16-19页 |
| ·背景减除法 （Background Subtraction ） | 第17-18页 |
| ·时间差分法 （Temporal Difference ） | 第18页 |
| ·光流法 （Optical Flow ） | 第18-19页 |
| ·运动人体分类 | 第19-20页 |
| ·基于人体特征的分类方法 | 第19-20页 |
| ·基于运动特征的分类方法 | 第20页 |
| ·运动人体跟踪 | 第20-23页 |
| ·基于模型的跟踪方法 (Model-based Tracking) | 第20-21页 |
| ·基于特征的跟踪方法 (Feature-based Tracking) | 第21-22页 |
| ·基于区域的跟踪方法 (Region-based Tracking) | 第22页 |
| ·基于轮廓的跟踪方法 (Contour-based Tracking) | 第22-23页 |
| 第三章 基于自适应混合高斯模型的背景差分法 | 第23-33页 |
| ·引言 | 第23-24页 |
| ·混合高斯模型 | 第24-26页 |
| ·基于腐蚀区域的噪点去除法 | 第26-27页 |
| ·连通区域标定 | 第27-29页 |
| ·实验结果 | 第29-33页 |
| 第四章 Mean Shift 算法介绍及实现 | 第33-48页 |
| ·引言 | 第33页 |
| ·无参密度估计原理 | 第33-38页 |
| ·核概率密度估计方法 | 第34-36页 |
| ·常用的核函数 | 第36-38页 |
| ·Mean shift 算法原理 | 第38-40页 |
| ·Mean shift 算法在运动跟踪中的应用 | 第40-44页 |
| ·目标模型描述 | 第41-42页 |
| ·Bhattacharyya 系数 | 第42-43页 |
| ·Mean Shift 算法步骤 | 第43-44页 |
| ·基于Mean Shift 算法的运动跟踪实验及结果 | 第44-48页 |
| 第五章 粒子滤波算法介绍及实现 | 第48-62页 |
| ·引言 | 第48页 |
| ·粒子滤波器基本原理 | 第48页 |
| ·序贯粒子滤波算法 | 第48-52页 |
| ·粒子退化现象 | 第52-53页 |
| ·重要性函数的选取 | 第53-54页 |
| ·重采样原理 | 第54-55页 |
| ·粒子退化处理 | 第55-56页 |
| ·粒子滤波算法的描述 | 第56-57页 |
| ·算法实现及实验 | 第57-62页 |
| 第六章 算法融合设计与实现 | 第62-80页 |
| ·引言 | 第62-63页 |
| ·混合高斯模型背景差分 | 第63-68页 |
| ·背景模型初始化 | 第63-65页 |
| ·背景差分 | 第65-66页 |
| ·去噪处理 | 第66页 |
| ·标记连通区域 | 第66-68页 |
| ·粒子滤波与Mean Shift 算法融合 | 第68页 |
| ·基于粒子滤波算法的融合框架 | 第68-73页 |
| ·减少粒子滤波算法的粒子数量 | 第70页 |
| ·加快粒子聚集速度 | 第70-71页 |
| ·降低采样粒子参数计算复杂度 | 第71-73页 |
| ·系统设计 | 第73-75页 |
| ·实验结果 | 第75-80页 |
| 第七章 总结与展望 | 第80-82页 |
| ·本文的主要工作 | 第80-81页 |
| ·有待进一步解决的问题 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-87页 |
| 攻读硕士期间发表的学术论文及参与的项目 | 第87页 |
