| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| 图表目录 | 第9-11页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 目标跟踪背景 | 第11-12页 |
| 1.2 传统的目标跟踪方法和分类 | 第12-13页 |
| 1.3 目标跟踪的发展趋势和研究现状 | 第13-15页 |
| 1.4 本文研究主要内容及结构安排 | 第15-17页 |
| 第2章 运动目标检测及跟踪理论基础 | 第17-34页 |
| 2.1 目标检测主要算法 | 第17-20页 |
| 2.1.1 帧间差分法 | 第17-18页 |
| 2.1.2 背景减法 | 第18-19页 |
| 2.1.3 光流法 | 第19-20页 |
| 2.2 目标检测算法流程 | 第20-25页 |
| 2.2.1 图像去噪 | 第21页 |
| 2.2.2 背景建模 | 第21-22页 |
| 2.2.3 差分图像二值化 | 第22-23页 |
| 2.2.4 形态学滤波 | 第23-24页 |
| 2.2.5 目标检测分析 | 第24-25页 |
| 2.3 跟踪算法理论基础 | 第25-32页 |
| 2.3.1 颜色空间 | 第25-26页 |
| 2.3.2 颜色特征提取量化 | 第26-30页 |
| 2.3.3 核函数 | 第30-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第3章 改进的背景加权 MeanShift 跟踪算法 | 第34-50页 |
| 3.1 MeanShift 和 CamShift | 第34-40页 |
| 3.1.1 核函数跟踪 | 第34页 |
| 3.1.2 MeanShift 算法原理 | 第34-37页 |
| 3.1.3 CamShift 算法原理 | 第37-40页 |
| 3.2 背景加权 MeanShift 的算法改进 | 第40-45页 |
| 3.2.1 背景加权 | 第40-42页 |
| 3.2.2 背景加权的自适应搜索 MeanShift 算法 | 第42-45页 |
| 3.3 实验结果及分析 | 第45-48页 |
| 3.4 本章小结 | 第48-50页 |
| 第4章 固定背景下多目标跟踪算法研究 | 第50-68页 |
| 4.1 目标模型建立 | 第50-51页 |
| 4.2 Kalman 滤波预测 | 第51-55页 |
| 4.2.1 Kalman 滤波原理 | 第51-54页 |
| 4.2.2 Kalman 滤波目标跟踪模型 | 第54-55页 |
| 4.3 多目标分类跟踪 | 第55-62页 |
| 4.3.1 确定目标匹配方式 | 第55-56页 |
| 4.3.2 目标分类并建立相关矩阵 | 第56-62页 |
| 4.4 分裂后目标跟踪 | 第62-64页 |
| 4.5 实验结果及分析 | 第64-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第5章 结论与展望 | 第68-70页 |
| 5.1 结论 | 第68页 |
| 5.2 进一步工作方向 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读学位期间发表的学术论文及参加科研情况 | 第75-76页 |
| 附件 | 第76-102页 |