| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题研究的背景和意义 | 第12-13页 |
| 1.2 国内外研究的发展和现状 | 第13-15页 |
| 1.2.1 机器视觉的发展 | 第13-14页 |
| 1.2.2 机器视觉的应用领域 | 第14-15页 |
| 1.3 运动目标跟踪概述 | 第15-18页 |
| 1.3.1 运动目标跟踪的现状 | 第15-16页 |
| 1.3.2 运动目标跟踪系统的性能要求 | 第16-17页 |
| 1.3.3 运动目标跟踪技术的难点 | 第17-18页 |
| 1.4 论文的主要研究内容和结构安排 | 第18-20页 |
| 第2章 图像处理基本操作 | 第20-29页 |
| 2.1 图像灰度化 | 第20-21页 |
| 2.2 图像滤波 | 第21-24页 |
| 2.2.1 均值滤波 | 第21-22页 |
| 2.2.2 中值滤波 | 第22-23页 |
| 2.2.3 维纳滤波 | 第23-24页 |
| 2.3 图像后期形态学处理 | 第24-27页 |
| 2.3.1 膨胀与腐蚀 | 第24-25页 |
| 2.3.2 开操作与闭操作 | 第25-27页 |
| 2.4 连通域标记 | 第27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 运动目标检测 | 第29-47页 |
| 3.1 运动目标检测概述 | 第29页 |
| 3.2 运动目标检测的经典算法 | 第29-33页 |
| 3.2.1 光流法 | 第29-30页 |
| 3.2.2 帧差法 | 第30-31页 |
| 3.2.3 背景差法 | 第31-33页 |
| 3.3 背景建模方法 | 第33-41页 |
| 3.3.1 平均值法 | 第33-35页 |
| 3.3.2 中值法 | 第35-36页 |
| 3.3.3 混合高斯背景建模法 | 第36-40页 |
| 3.3.4 帧差背景建模法 | 第40-41页 |
| 3.4 背景差法运动目标检测法 | 第41-45页 |
| 3.4.1 改进的帧差背景建模方法 | 第41-44页 |
| 3.4.2 运动目标识别 | 第44页 |
| 3.4.3 实验结果和分析 | 第44-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 运动目标跟踪 | 第47-69页 |
| 4.1 运动目标跟踪简介 | 第47页 |
| 4.2 运动目标跟踪方法的分类 | 第47-48页 |
| 4.2.1 基于区域匹配的跟踪方法 | 第47页 |
| 4.2.2 基于主动轮廓的跟踪方法 | 第47-48页 |
| 4.2.3 基于特征匹配的跟踪 | 第48页 |
| 4.2.4 基于模型的跟踪 | 第48页 |
| 4.3 基于卡尔曼滤波的目标跟踪 | 第48-53页 |
| 4.3.1 卡尔曼滤波简介 | 第48-49页 |
| 4.3.2 卡尔曼滤波的基本原理 | 第49-50页 |
| 4.3.3 卡尔曼滤波在运动目标跟踪中的应用 | 第50-52页 |
| 4.3.4 实验结果和分析 | 第52-53页 |
| 4.4 基于Meanshift的目标跟踪 | 第53-60页 |
| 4.4.1 Meanshift发展历程 | 第53-54页 |
| 4.4.2 无参密度估计理论 | 第54-55页 |
| 4.4.3 Meanshift理论 | 第55-56页 |
| 4.4.4 Meanshift算法在运动目标跟踪中的应用 | 第56-59页 |
| 4.4.5 实验结果的分析 | 第59-60页 |
| 4.5 改进的Meanshift算法 | 第60-67页 |
| 4.5.1 传统的Meanshift算法存在的问题 | 第60-62页 |
| 4.5.2 对Meanshift算法的改进 | 第62-64页 |
| 4.5.3 改进的Meanshift算法的流程图 | 第64-66页 |
| 4.5.4 改进的Meanshift算法的跟踪步骤 | 第66页 |
| 4.5.5 实验结果和分析 | 第66-67页 |
| 4.6 本章小结 | 第67-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第75-76页 |
| 致谢 | 第76-77页 |
