| 致谢 | 第7-8页 |
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第17-29页 |
| 1.1 课题研究背景和意义 | 第17-18页 |
| 1.2 国内外研究综述 | 第18-24页 |
| 1.2.1 运动目标检测与跟踪综述 | 第18-22页 |
| 1.2.2 目标再识别综述 | 第22-24页 |
| 1.2.3 摄像机网络中的目标关联综述 | 第24页 |
| 1.3 主要技术难点 | 第24-25页 |
| 1.4 本文研究内容与结构安排 | 第25-29页 |
| 第二章 单摄像机中基于双向最优匹配的多目标跟踪 | 第29-57页 |
| 2.1 概述 | 第29页 |
| 2.2 基于改进的VIBE算法的目标检测 | 第29-37页 |
| 2.2.1 VIBE算法原理 | 第31-35页 |
| 2.2.2 算法改进 | 第35-37页 |
| 2.3 基于HOG特征的SVM分类分割 | 第37-45页 |
| 2.3.1 HOG特征提取 | 第37-40页 |
| 2.3.2 SVM分类器优化 | 第40-44页 |
| 2.3.3 算法描述 | 第44-45页 |
| 2.4 多目标检测的实验结果与分析 | 第45-48页 |
| 2.5 基于双向最优匹配的多目标跟踪 | 第48-52页 |
| 2.5.1 算法原理 | 第48-50页 |
| 2.5.2 特征向量的更新策略 | 第50-51页 |
| 2.5.3 算法描述 | 第51-52页 |
| 2.6 多目标跟踪的实验结果与分析 | 第52-55页 |
| 2.7 本章小结 | 第55-57页 |
| 第三章 摄像机间单样本的目标再识别研究 | 第57-83页 |
| 3.1 概述 | 第57-59页 |
| 3.2 特征提取 | 第59-64页 |
| 3.2.1 颜色特征 | 第59-61页 |
| 3.2.2 纹理特征 | 第61-64页 |
| 3.3 多特征融合模型 | 第64-69页 |
| 3.3.1 多核支持向量机的优化模型 | 第64-66页 |
| 3.3.2 多核学习算法描述 | 第66-69页 |
| 3.4 实验结果与分析 | 第69-80页 |
| 3.5 本章小结 | 第80-83页 |
| 第四章 摄像机间多样本的目标再识别研究 | 第83-99页 |
| 4.1 概述 | 第83页 |
| 4.2 核函数与颜色直方图特征的适应问题 | 第83-86页 |
| 4.3 基于JENSEN-SHANNON核的目标再识别算法 | 第86-91页 |
| 4.3.1 局部Fisher辨别分析的算法原理 | 第87-89页 |
| 4.3.2 基于JENSEN-SHANNON核的辨别分析算法 | 第89-91页 |
| 4.4 实验结果与分析 | 第91-98页 |
| 4.5 本章小结 | 第98-99页 |
| 第五章 摄像机网络中基于DPSO的多目标跟踪路径求解 | 第99-113页 |
| 5.1 概述 | 第99页 |
| 5.2 摄像机网络拓扑关系估计 | 第99-104页 |
| 5.2.1 摄像机网络拓扑关系估计的研究现状 | 第100页 |
| 5.2.2 拓扑关系估计算法 | 第100-102页 |
| 5.2.3 实验结果 | 第102-104页 |
| 5.3 基于贝叶斯模型的目标关联 | 第104-107页 |
| 5.3.1 摄像机网络的贝叶斯模型 | 第105-106页 |
| 5.3.2 时空约束 | 第106页 |
| 5.3.3 目标关联的多约束变量融合 | 第106-107页 |
| 5.4 基于DPSO的多目标最优路径集合求解 | 第107-109页 |
| 5.4.1 评价函数的构造 | 第107页 |
| 5.4.2 最优路径的求解 | 第107-109页 |
| 5.5 实验结果与分析 | 第109-112页 |
| 5.6 本章小结 | 第112-113页 |
| 第六章 总结与展望 | 第113-117页 |
| 6.1 本文工作总结 | 第113-114页 |
| 6.2 研究展望 | 第114-117页 |
| 参考文献 | 第117-129页 |
| 攻读博士学位期间的学术活动及成果情况 | 第129页 |
