| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 课题研究现状及存在的问题 | 第11-14页 |
| 1.2.1 视频监控系统的研究现状及存在的问题 | 第11-12页 |
| 1.2.2 目标检测技术的研究现状及存在的问题 | 第12-14页 |
| 1.3 论文的研究内容和结构安排 | 第14-16页 |
| 第2章 MAP-MRF理论与图割算法 | 第16-27页 |
| 2.1 马尔科夫随机场 | 第16-18页 |
| 2.1.1 邻域系统与基团 | 第16-17页 |
| 2.1.2 马尔科夫随机场 | 第17页 |
| 2.1.3 MRF与GIBBS随机场 | 第17-18页 |
| 2.2 最大后验概率准则 | 第18页 |
| 2.3 MAP-MRF体系 | 第18-19页 |
| 2.4 图割算法 | 第19-26页 |
| 2.4.1 图割算法的基础 | 第19-21页 |
| 2.4.2 新最大流\最小割算法 | 第21-23页 |
| 2.4.3 网络流量分配 | 第23-26页 |
| 2.5 本章总结 | 第26-27页 |
| 第3章 基于边长约束加权梯度的感兴趣运动目标检测 | 第27-39页 |
| 3.1 引言 | 第27-28页 |
| 3.2 基于边长约束梯度加权的感兴趣运动目标检测 | 第28-33页 |
| 3.2.1 基于梯度加权的感兴趣运动目标能量函数 | 第28页 |
| 3.2.2 基于边长约束加权梯度能量函数的数据项 | 第28-29页 |
| 3.2.3 基于边长约束加权梯度能量函数的边界平滑项 | 第29-31页 |
| 3.2.4 能量函数最小值的求解 | 第31页 |
| 3.2.5 背景更新 | 第31-32页 |
| 3.2.6 卡尔曼预测 | 第32-33页 |
| 3.3 本章算法流程图 | 第33-34页 |
| 3.4 实验与分析 | 第34-38页 |
| 3.4.1 复杂背景下单个目标的检测与分析 | 第34-35页 |
| 3.4.2 复杂背景下多个感兴趣目标的检测与分析 | 第35-37页 |
| 3.4.3 与自适应加权形状先验图割算法的对比 | 第37-38页 |
| 3.5 本章总结 | 第38-39页 |
| 第4章 基于感兴趣目标模型的视频运动目标检测 | 第39-52页 |
| 4.1 引言 | 第39-40页 |
| 4.2 感兴趣目标模型及其训练 | 第40-43页 |
| 4.2.1 感兴趣目标模型 | 第40-41页 |
| 4.2.2 模型的训练 | 第41-43页 |
| 4.3 感兴趣目标的检测 | 第43-45页 |
| 4.3.1 能量函数的构造 | 第43页 |
| 4.3.2 优化检测过程 | 第43-45页 |
| 4.4 算法概述 | 第45-46页 |
| 4.5 实验仿真和分析 | 第46-51页 |
| 4.5.1 感兴趣目标的模型分析 | 第46-47页 |
| 4.5.2 单类目标视频的检测 | 第47-48页 |
| 4.5.3 多类目标视频的检测 | 第48-50页 |
| 4.5.4 存在的问题与讨论 | 第50-51页 |
| 4.6 本章总结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 本文工作总结 | 第52页 |
| 5.2 本文不足之处和展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录 | 第59页 |