多摄像头网络中的目标检测与运动分析
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 目标检测与运动分析的研究背景及意义 | 第8-10页 |
| 1.1.1 课题研究背景 | 第8-9页 |
| 1.1.2 课题研究意义 | 第9-10页 |
| 1.2 目标检测与运动分析的研究概述及现状 | 第10-15页 |
| 1.2.1 目标检测技术的研究现状 | 第10-12页 |
| 1.2.2 目标跟踪技术的研究现状 | 第12-14页 |
| 1.2.3 目标运动分析技术的研究现状 | 第14-15页 |
| 1.3 本论文的主要研究内容及结构安排 | 第15-16页 |
| 第二章 基于多通道交互信息的仿生目标检测算法 | 第16-31页 |
| 2.1 引言 | 第16-17页 |
| 2.2 仿生目标运动分割 | 第17-20页 |
| 2.2.1 生物视觉的传统模型 | 第17-18页 |
| 2.2.2 计算机视觉的仿生目标检测模型 | 第18-20页 |
| 2.3 LGN算法模型 | 第20-23页 |
| 2.3.1 P单元 | 第20-21页 |
| 2.3.2 M单元 | 第21-22页 |
| 2.3.3 K单元 | 第22-23页 |
| 2.4 基于多通道交互信息的仿生目标检测算法 | 第23-28页 |
| 2.4.1 算法基础 | 第23-24页 |
| 2.4.2 交互信息 | 第24-27页 |
| 2.4.3 目标判定 | 第27-28页 |
| 2.5 实验分析 | 第28-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 基于WLMC的目标跟踪算法 | 第31-48页 |
| 3.1 引言 | 第31-32页 |
| 3.2 WLMC跟踪算法 | 第32-37页 |
| 3.2.1 基于跟踪的WLMC算法的基础定义 | 第33-34页 |
| 3.2.2 基于贝叶斯的目标跟踪方法 | 第34页 |
| 3.2.3 MH算法 | 第34-36页 |
| 3.2.4 WL递归步骤 | 第36-37页 |
| 3.3 基于WLMC算法的单摄像头目标跟踪 | 第37-39页 |
| 3.3.1 色彩空间的转换 | 第37-38页 |
| 3.3.2 WLMC算法的扩展 | 第38-39页 |
| 3.4 基于WLMC算法的多摄像头目标跟踪 | 第39-43页 |
| 3.4.1 相机标定 | 第40-41页 |
| 3.4.2 多相机数据融合 | 第41-43页 |
| 3.5 实验分析 | 第43-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 基于混合高斯模型的跟踪轨迹聚类分析 | 第48-56页 |
| 4.1 引言 | 第48-49页 |
| 4.2 目标运动模式的学习 | 第49-50页 |
| 4.3 基于混合高斯模型的运动模式建模 | 第50-54页 |
| 4.3.1 混合高斯模型 | 第50-51页 |
| 4.3.2 最大期望算法 | 第51-52页 |
| 4.3.3 监测收敛性和局部最大值 | 第52-53页 |
| 4.3.4 估计模型数量 | 第53-54页 |
| 4.4 实验分析 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 工作总结 | 第56-57页 |
| 5.2 未来展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录1攻读硕士学位期间撰写的论文 | 第62-63页 |
| 附录2攻读硕士学位期间参加的科研项目 | 第63-64页 |
| 致谢 | 第64页 |
