基于OpenCV运动目标检测与跟踪方法研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状与存在的问题 | 第13-16页 |
| 1.2.1 国内外研究现状 | 第13-14页 |
| 1.2.2 目标检测存在的问题 | 第14-15页 |
| 1.2.3 目标跟踪存在的问题 | 第15-16页 |
| 1.3 本文研究内容和章节安排 | 第16-18页 |
| 1.3.1 文章主要研究内容 | 第16页 |
| 1.3.2 文章章节安排 | 第16-18页 |
| 第2章 运动目标检测跟踪理论基础 | 第18-26页 |
| 2.1 目标检测跟踪总体流程 | 第18页 |
| 2.2 图像的预处理技术 | 第18-21页 |
| 2.2.1 图像中噪声的去除 | 第18-20页 |
| 2.2.2 图像的形态学处理 | 第20-21页 |
| 2.3 目标特征的提取 | 第21-23页 |
| 2.4 目标检测跟踪方法的分类 | 第23-24页 |
| 2.4.1 目标检测方法 | 第23页 |
| 2.4.2 目标跟踪方法 | 第23-24页 |
| 2.5 OpenCV简介 | 第24页 |
| 2.6 OpenCV的配置 | 第24-25页 |
| 2.7 本章小结 | 第25-26页 |
| 第3章 基于背景建模的运动目标检测方法研究 | 第26-38页 |
| 3.1 引言 | 第26页 |
| 3.2 传统的运动目标检测方法 | 第26-28页 |
| 3.2.1 背景减除法 | 第26-27页 |
| 3.2.2 帧间差分法 | 第27-28页 |
| 3.3 基于背景建模改进的目标检测算法 | 第28-33页 |
| 3.3.1 建立背景模型 | 第28-29页 |
| 3.3.2 更新背景模型 | 第29-30页 |
| 3.3.3 动态阈值化分割 | 第30-32页 |
| 3.3.4 后处理 | 第32-33页 |
| 3.3.5 改进算法的总体流程图 | 第33页 |
| 3.4 实验结果与分析 | 第33-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第4章 基于外观模型的粒子滤波目标跟踪方法研究 | 第38-53页 |
| 4.1 引言 | 第38页 |
| 4.2 粒子滤波原理 | 第38-44页 |
| 4.2.1 动态空间模型 | 第38-39页 |
| 4.2.2 贝叶斯滤波 | 第39-41页 |
| 4.2.3 蒙特卡罗方法 | 第41-42页 |
| 4.2.4 序贯重要性采样 | 第42-43页 |
| 4.2.5 粒子退化现象 | 第43页 |
| 4.2.6 粒子重采样 | 第43-44页 |
| 4.3 基于外观模型改进的粒子滤波目标跟踪算法 | 第44-49页 |
| 4.3.1 采样空间位置--颜色直方图 | 第44-45页 |
| 4.3.2 空间位置--颜色直方图相似性测度 | 第45-46页 |
| 4.3.3 似然模型和粒子权值 | 第46页 |
| 4.3.4 粒子权值快速计算 | 第46-48页 |
| 4.3.5 目标运动模型 | 第48页 |
| 4.3.6 算法的总体实现步骤 | 第48-49页 |
| 4.4 实验结果与分析 | 第49-52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士期间发表(含录用)的学术论文 | 第59页 |
