| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 选题背景与研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 目标检测 | 第13页 |
| 1.2.2 目标跟踪 | 第13-14页 |
| 1.3 章节安排 | 第14-15页 |
| 第2章 运动目标检测与跟踪技术基础 | 第15-31页 |
| 2.1 引言 | 第15页 |
| 2.2 相关的图像处理技术 | 第15-21页 |
| 2.2.1 图像滤波 | 第15-18页 |
| 2.2.2 阈值分割 | 第18-20页 |
| 2.2.3 形态学处理 | 第20-21页 |
| 2.3 粒子滤波基本理论 | 第21-30页 |
| 2.3.1 背景知识 | 第22-25页 |
| 2.3.2 粒子滤波算法 | 第25-29页 |
| 2.3.3 粒子滤波算法特点 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于多模型的运动目标检测算法 | 第31-46页 |
| 3.1 引言 | 第31页 |
| 3.2 典型的运动目标检测算法 | 第31-35页 |
| 3.2.1 光流法 | 第31-33页 |
| 3.2.2 帧间差分 | 第33-34页 |
| 3.2.3 背景差分 | 第34页 |
| 3.2.4 三种算法的比较 | 第34-35页 |
| 3.3 自适应背景模型 | 第35-39页 |
| 3.3.1 单高斯背景模型 | 第35-36页 |
| 3.3.2 混合高斯背景模型 | 第36-37页 |
| 3.3.3 两种算法的对比实验与分析 | 第37-39页 |
| 3.4 基于帧差分块的混合高斯背景模型 | 第39-45页 |
| 3.4.1 帧间差分法选取前景可疑点 | 第40页 |
| 3.4.2 模型分块及相关处理 | 第40-41页 |
| 3.4.3 光线突变的解决方法 | 第41页 |
| 3.4.4 自适应学习率 | 第41-42页 |
| 3.4.5 运动目标的提取 | 第42页 |
| 3.4.6 实验结果及分析 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于子空间学习的粒子滤波跟踪算法 | 第46-71页 |
| 4.1 引言 | 第46-47页 |
| 4.2 粒子滤波跟踪算法 | 第47-63页 |
| 4.2.1 运动模型 | 第47-50页 |
| 4.2.2 观测模型 | 第50-51页 |
| 4.2.3 目标位置的确定 | 第51-52页 |
| 4.2.4 模版的更新 | 第52-57页 |
| 4.2.5 算法流程 | 第57-58页 |
| 4.2.6 实验结果与分析 | 第58-63页 |
| 4.3 基于子空间自适应学习的跟踪算法 | 第63-70页 |
| 4.3.1 目标状态判决 | 第63-65页 |
| 4.3.2 自适应学习策略的选取 | 第65-66页 |
| 4.3.3 算法描述 | 第66-67页 |
| 4.3.4 实验结果与分析 | 第67-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第5章 基于粒子滤波和Mean Shift的跟踪算法 | 第71-81页 |
| 5.1 引言 | 第71页 |
| 5.2 Mean Shift算法 | 第71-75页 |
| 5.2.1 核密度估计 | 第72页 |
| 5.2.2 Mean Shift向量定义 | 第72-73页 |
| 5.2.3 直方图目标模型 | 第73-74页 |
| 5.2.4 相似性度量函数 | 第74页 |
| 5.2.5 目标定位 | 第74-75页 |
| 5.3 基于混合观测模型的粒子滤波跟踪算法 | 第75-80页 |
| 5.3.1 直方图均值化 | 第76页 |
| 5.3.2 基于仿射空间的Mean Shift算法 | 第76-77页 |
| 5.3.3 算法描述 | 第77页 |
| 5.3.4 实验结果与分析 | 第77-80页 |
| 5.4 本章小结 | 第80-81页 |
| 总结与展望 | 第81-83页 |
| 1.本文研究工作总结 | 第81页 |
| 2.未来展望 | 第81-83页 |
| 参考文献 | 第83-90页 |
| 致谢 | 第90-91页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第91页 |