| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 课题研究现状及存在的问题 | 第12-15页 |
| 1.2.1 运动目标检测技术的研究现状及存在的问题 | 第12-14页 |
| 1.2.2 并行技术的研究现状及存在的问题 | 第14-15页 |
| 1.3 论文的研究内容和结构安排 | 第15-17页 |
| 第2章 基于MAP-MRF和图割算法的能量函数构造 | 第17-25页 |
| 2.1 马尔科夫随机场 | 第17-18页 |
| 2.1.1 邻域系统与马尔科夫性 | 第17-18页 |
| 2.1.2 马尔科夫随机场和吉布斯随机场 | 第18页 |
| 2.2 MAP-MRF体系 | 第18-20页 |
| 2.3 图割算法介绍 | 第20-21页 |
| 2.3.1 图割算法原理 | 第20-21页 |
| 2.4 网络流分配 | 第21-24页 |
| 2.4.1 流量函数 | 第21-23页 |
| 2.4.2 能量函数和网络流分配 | 第23-24页 |
| 2.5 本章总结 | 第24-25页 |
| 第3章 基于边长约束加权梯度的视频运动目标检测 | 第25-38页 |
| 3.1 引言 | 第25-26页 |
| 3.2 基于边长约束加权梯度的视频运动目标检测算法 | 第26-32页 |
| 3.2.1 目标能量函数 | 第26页 |
| 3.2.2 目标能量函数的区域项 | 第26-27页 |
| 3.2.3 目标能量函数边界约束项 | 第27-28页 |
| 3.2.4 边长约束加权梯度 | 第28-29页 |
| 3.2.5 边界约束项与其他主流方法比较 | 第29-30页 |
| 3.2.6 图像分割与背景模型更新 | 第30页 |
| 3.2.7 卡尔曼预测 | 第30-32页 |
| 3.3 本章算法流程图 | 第32页 |
| 3.4 实验与分析 | 第32-36页 |
| 3.4.1 室内运动目标的检测与分析 | 第32-34页 |
| 3.4.2 室外运动目标的检测与分析 | 第34-35页 |
| 3.4.3 合成灰度图像的检测与分析 | 第35-36页 |
| 3.5 本章总结 | 第36-38页 |
| 第4章 基于CUDA的视频运动目标检测算法并行实现 | 第38-54页 |
| 4.1 引言 | 第38页 |
| 4.2 CUDA技术介绍 | 第38-41页 |
| 4.2.1 CUDA编程模型 | 第39-40页 |
| 4.2.2 CUDA存储模型 | 第40页 |
| 4.2.3 CUDA执行模型 | 第40-41页 |
| 4.3 视频运动目标检测算法回顾 | 第41-42页 |
| 4.4 算法并行化 | 第42-48页 |
| 4.4.1 并行任务划分 | 第42-43页 |
| 4.4.2 内存规划 | 第43-46页 |
| 4.4.3 指令级并行 | 第46-48页 |
| 4.5 实验分析 | 第48-53页 |
| 4.5.1 算法有效性分析 | 第48-49页 |
| 4.5.2 加速效果分析 | 第49-50页 |
| 4.5.3 存在的问题与分析 | 第50-53页 |
| 4.6 本章总结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 本文工作总结 | 第54页 |
| 5.2 本文不足之处和展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 附录 | 第62页 |
