| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及分析 | 第11-12页 |
| 1.3 智能视频监控系统存在的技术问题 | 第12-14页 |
| 1.3.1 运动目标检测中存在的问题 | 第12-13页 |
| 1.3.2 运动目标跟踪中存在的问题 | 第13页 |
| 1.3.3 目标行为识别中存在的问题 | 第13-14页 |
| 1.4 论文主要工作及安排 | 第14-15页 |
| 第二章 经典的运动目标检测算法及其适用性分析 | 第15-26页 |
| 2.1 帧间差分法 | 第15-18页 |
| 2.2 背景相减法 | 第18-24页 |
| 2.2.1 基于均值法和基于中值法的背景模型 | 第18-20页 |
| 2.2.2 基于单高斯分布的背景模型 | 第20-21页 |
| 2.2.3 基于多高斯分布的背景模型 | 第21-24页 |
| 2.3 光流法 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 结合优化的多高斯模型和运动阴影消除的目标检测法 | 第26-42页 |
| 3.1 改进的多高斯背景模型 | 第26-31页 |
| 3.1.1 优化的背景初始化方案 | 第26-27页 |
| 3.1.2 基于状态和历史信息自适应更新的权重学习率 | 第27-29页 |
| 3.1.3 高斯分布数量的自适应调整 | 第29-31页 |
| 3.2 基于YUV颜色空间及HLBP纹理特征的运动阴影检测方法 | 第31-35页 |
| 3.2.1 基于YUV颜色空间运动阴影检测 | 第32-33页 |
| 3.2.2 一种基于HLBP纹理特征的运动阴影检测 | 第33-35页 |
| 3.2.3 融合纹理特征和颜色特征的运动阴影检测法 | 第35页 |
| 3.3 实验结果与分析 | 第35-41页 |
| 3.3.1 改进的混合高斯模型实验结果 | 第36-37页 |
| 3.3.2 本文提出的运动阴影检测算法实验结果 | 第37-39页 |
| 3.3.3 本文所用的运动目标检测算法实验效果 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 结合卡尔曼滤波和多特征自适应融合的MS跟踪算法 | 第42-62页 |
| 4.1 均值漂移跟踪算法 | 第43-48页 |
| 4.1.1 核函数 | 第43-44页 |
| 4.1.2 MS算法基本思想 | 第44-46页 |
| 4.1.3 基于MS的目标跟踪算法 | 第46-48页 |
| 4.2 一种多特征自适应融合的MS跟踪算法 | 第48-52页 |
| 4.2.1 多特征的选取 | 第48-50页 |
| 4.2.2 多特征融合的MS跟踪算法描述 | 第50-51页 |
| 4.2.3 多特征融合权值的自适应及跟踪窗口尺度的自适应 | 第51-52页 |
| 4.3 使用卡尔曼滤波器进一步优化改进的MS跟踪算法 | 第52-57页 |
| 4.3.1 卡尔曼滤波器 | 第52-55页 |
| 4.3.2 跟踪目标运动速度过快的情况 | 第55-56页 |
| 4.3.3 跟踪目标受到障碍物遮挡的情况 | 第56-57页 |
| 4.3.4 多特征自适应融合MS跟踪算法和卡尔曼滤波器相结合 | 第57页 |
| 4.4 实验结果及分析 | 第57-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 基于优化DAGSVMS的人体行为识别方法 | 第62-80页 |
| 5.1 人体行为特征的提取 | 第63-67页 |
| 5.1.1 基于最小外接矩形框的运动特征 | 第63-64页 |
| 5.1.2 Hu矩特征 | 第64-65页 |
| 5.1.3 PCA-HOG特征 | 第65-67页 |
| 5.2 SVM支持向量机 | 第67-71页 |
| 5.2.1 SVM解决二分类问题 | 第67-69页 |
| 5.2.2 SVM解决多分类问题 | 第69-71页 |
| 5.3 优化的DAGSVMS | 第71-72页 |
| 5.4 基于智能视频监控的人体行为识别系统 | 第72-74页 |
| 5.5 实验结果及分析 | 第74-79页 |
| 5.6 本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-82页 |
| 6.1 本文工作总结 | 第80-81页 |
| 6.2 未来展望 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-88页 |
| 攻读硕士学位期间取得的成果 | 第88页 |
