基于贝叶斯背景模型的遗留物检测算法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景 | 第9页 |
| ·发展现状 | 第9-11页 |
| ·本文研究内容 | 第11-12页 |
| ·存在的问题 | 第12-14页 |
| ·本文结构 | 第14-15页 |
| 第二章 运动目标检测 | 第15-37页 |
| ·引言 | 第15-16页 |
| ·常用的目标检测方法 | 第16-20页 |
| ·帧间差分法 | 第16-19页 |
| ·光流法 | 第19-20页 |
| ·背景减法 | 第20页 |
| ·简单的统计学背景模型 | 第20-22页 |
| ·基于Kalman 滤波器的背景模型 | 第22页 |
| ·非参数估计背景模型 | 第22-27页 |
| ·非参数估计的基本思想 | 第22-24页 |
| ·函数窗的选择 | 第24-27页 |
| ·单高斯背景模型 | 第27-28页 |
| ·混合高斯背景模型 | 第28-34页 |
| ·混合高斯模型原理 | 第28-30页 |
| ·背景像素模型的建立 | 第30-31页 |
| ·混合高斯仿真结果 | 第31-34页 |
| ·混合高斯模型的改进算法 | 第34-35页 |
| ·EM 改进算法 | 第34页 |
| ·其他改进算法 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 第三章 Bayesian 背景模型及其改进算法 | 第37-51页 |
| ·引言 | 第37页 |
| ·Bayesian 背景模型 | 第37-40页 |
| ·EM 算法 | 第40-42页 |
| ·Bayesian 模型的EM 改进算法 | 第42-43页 |
| ·背景分割 | 第43-44页 |
| ·阈值的选取 | 第43-44页 |
| ·与混合高斯背景模型的比较 | 第44-47页 |
| ·图像后处理 | 第47-50页 |
| ·形态学处理 | 第47-49页 |
| ·连通域处理 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 滞留物和偷窃物检测算法 | 第51-60页 |
| ·算法主要思想 | 第51-52页 |
| ·RLS 滤波模型 | 第52-53页 |
| ·双背景模型 | 第53-54页 |
| ·滞留物及偷窃物分类 | 第54-55页 |
| ·触发判定 | 第55-56页 |
| ·实验结果及分析 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| ·本文总结 | 第60-61页 |
| ·未来工作展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间发表的学术论文目录 | 第66页 |
