多传感器信息融合的行人跟踪研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 多传感器信息融合技术概述 | 第11-14页 |
| 1.2.1 多传感器信息融合技术的基本原理 | 第11-12页 |
| 1.2.2 多传感器信息融合技术的分类 | 第12-13页 |
| 1.2.3 多传感器信息融合技术的优点 | 第13-14页 |
| 1.3 国内外研究现状及主要问题 | 第14-17页 |
| 1.3.1 国内的研究现状 | 第14-15页 |
| 1.3.2 国外的研究现状 | 第15-16页 |
| 1.3.3 运动行人跟踪研究存在的问题 | 第16-17页 |
| 1.4 本文的主要研究工作及内容安排 | 第17-19页 |
| 2 跟踪目标预处理技术 | 第19-29页 |
| 2.1 常用图像去噪的基本算法 | 第19-23页 |
| 2.1.1 均值滤波法 | 第20页 |
| 2.1.2 中值滤波法 | 第20-21页 |
| 2.1.3 高斯滤波法 | 第21-22页 |
| 2.1.4 实验滤波结果及分析 | 第22-23页 |
| 2.2 常用的图像增强算法 | 第23-26页 |
| 2.2.1 颜色直方图 | 第23页 |
| 2.2.2 直方图均衡化 | 第23-25页 |
| 2.2.3 实验结果及分析 | 第25-26页 |
| 2.3 形态学处理 | 第26-27页 |
| 2.4 小结 | 第27-29页 |
| 3 运动行人目标检测 | 第29-37页 |
| 3.1 运动行人目标检测的基本方法 | 第29-34页 |
| 3.1.1 光流法 | 第30页 |
| 3.1.2 帧间差分法 | 第30-32页 |
| 3.1.3 背景差分法 | 第32-34页 |
| 3.2 改进的背景差分检测方法 | 第34-35页 |
| 3.3 实验结果及分析 | 第35-36页 |
| 3.4 小结 | 第36-37页 |
| 4 改进的Mean Shift算法的行人目标跟踪 | 第37-52页 |
| 4.1 无参密度估计理论 | 第37-39页 |
| 4.2 Mean Shift算法描述 | 第39-45页 |
| 4.2.1 模型描述 | 第41-42页 |
| 4.2.2 相似性度量 | 第42页 |
| 4.2.3 目标定位 | 第42-45页 |
| 4.2.4 实验结果及分析 | 第45页 |
| 4.3 Kalman滤波基本原理 | 第45-48页 |
| 4.4 改进的Mean Shift跟踪算法 | 第48-49页 |
| 4.5 实验结果及分析 | 第49-51页 |
| 4.6 小结 | 第51-52页 |
| 5 多传感器信息融合的行人跟踪 | 第52-59页 |
| 5.1 红外传感器和可见光传感器的基本特征 | 第52-54页 |
| 5.2 多传感器信息融合的KMTTA算法跟踪 | 第54-55页 |
| 5.3 实验结果及分析 | 第55-58页 |
| 5.4 小结 | 第58-59页 |
| 6 结论 | 第59-61页 |
| 6.1 结论 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表的论文 | 第66-67页 |
| 致谢 | 第67-70页 |
