| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 监控视频中前景提取和目标检测跟踪算法研究的背景和意义 | 第12-14页 |
| 1.2 监控视频中前景提取和目标检测跟踪算法的研究现状 | 第14-16页 |
| 1.3 本文的内容安排和主要结构 | 第16-19页 |
| 第2章 基于多通道高斯混合模型的前景检测算法 | 第19-36页 |
| 2.1 引言 | 第19页 |
| 2.2 前景提取的方法简介 | 第19-22页 |
| 2.3 基于高斯混合模型的背景建模 | 第22-26页 |
| 2.3.1 高斯混合模型 | 第22页 |
| 2.3.2 几种改进的高斯混合背景模型 | 第22-26页 |
| 2.4 基于多通道高斯混合模型的前景检测算法 | 第26-30页 |
| 2.4.1 算法的总体框架 | 第26-29页 |
| 2.4.2 算法技术分析 | 第29-30页 |
| 2.5 前景掩膜的图像形态学处理 | 第30-33页 |
| 2.5.1 图像形态学处理的意义 | 第30页 |
| 2.5.2 几种基本形态学处理操作 | 第30-32页 |
| 2.5.3 图像形态学处理结果比较 | 第32-33页 |
| 2.6 实验结果与比较 | 第33-35页 |
| 2.7 本章小结 | 第35-36页 |
| 第3章 目标检测算法研究 | 第36-57页 |
| 3.1 引言 | 第36页 |
| 3.2 特征描述子 | 第36-45页 |
| 3.2.1 Haar-like特征 | 第37-40页 |
| 3.2.2 LBP特征 | 第40-42页 |
| 3.2.3 HOG特征 | 第42-45页 |
| 3.3 基于级联分类器的人脸及五官检测 | 第45-49页 |
| 3.3.1 Adaboost分类算法 | 第45-48页 |
| 3.3.2 级联Adaboost分类器 | 第48-49页 |
| 3.4 检测实验结果 | 第49-50页 |
| 3.5 基于支持向量机的行人检测 | 第50-55页 |
| 3.5.1 支持向量机 | 第50-53页 |
| 3.5.2 检测实验结果 | 第53-55页 |
| 3.6 本章小结 | 第55-57页 |
| 第4章 基于光流的多目标跟踪算法 | 第57-69页 |
| 4.1 引言 | 第57页 |
| 4.2 基于图像金字塔的局部光流估计算法 | 第57-63页 |
| 4.2.1 单尺度局部光流估计算法 | 第58-59页 |
| 4.2.2 高斯图像金字塔的构建和多尺度局部光流估计 | 第59-61页 |
| 4.2.3 前向-反向误差检测 | 第61-63页 |
| 4.3 基于光流的多目标跟踪算法框架 | 第63-65页 |
| 4.4 实验结果和分析 | 第65-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第5章 基于GPGPU的算法加速 | 第69-77页 |
| 5.1 引言 | 第69-70页 |
| 5.2 CUDA技术介绍 | 第70-73页 |
| 5.3 实验结果和对比分析 | 第73-76页 |
| 5.3.1 前景提取 | 第73页 |
| 5.3.2 目标检测 | 第73-75页 |
| 5.3.3 多目标跟踪 | 第75-76页 |
| 5.4 本章小结 | 第76-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 6.1 论文工作总结 | 第77-78页 |
| 6.2 未来研究工作展望 | 第78-79页 |
| 参考文献 | 第79-85页 |
| 攻读硕士学位期间主要的研究成果 | 第85页 |
