复杂场景中运动目标的检测与跟踪
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-18页 |
| ·研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-16页 |
| ·运动目标检测技术的发展 | 第12-13页 |
| ·运动目标跟踪技术的发展 | 第13-16页 |
| ·运动目标检测和跟踪算法的研究难点 | 第16页 |
| ·本论文的主要工作和框架 | 第16-18页 |
| ·论文的主要工作 | 第16页 |
| ·论文的框架 | 第16-18页 |
| 第二章 基于自学习混合高斯模型的运动目标检测 | 第18-35页 |
| ·引言 | 第18-19页 |
| ·高斯背景模型的基本理论 | 第19-23页 |
| ·单高斯背景模型 | 第19-20页 |
| ·混合高斯背景模型 | 第20-23页 |
| ·基于混合高斯背景模型的自学习方法 | 第23-29页 |
| ·参数更新递归方程 | 第23-26页 |
| ·学习率因子和遗忘因子 | 第26-28页 |
| ·算法收敛的证明 | 第28-29页 |
| ·基于HSV 颜色模型的阴影检测与消除 | 第29-30页 |
| ·实验结果 | 第30-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 粒子滤波基本理论 | 第35-44页 |
| ·引言 | 第35-36页 |
| ·背景知识和理论 | 第36-39页 |
| ·贝叶斯滤波原理 | 第36-37页 |
| ·蒙特卡罗原理 | 第37-39页 |
| ·粒子滤波算法 | 第39-43页 |
| ·重要性采样 | 第39-40页 |
| ·序贯重要性采样（SIS） | 第40-41页 |
| ·重采样 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 基于交互MCMC 粒子滤波的运动目标跟踪 | 第44-61页 |
| ·引言 | 第44-45页 |
| ·MCMC 粒子滤波理论 | 第45-49页 |
| ·马尔可夫链 | 第45-47页 |
| ·MCMC 算法基本原理 | 第47-49页 |
| ·基于MCMC 粒子滤波算法 | 第49页 |
| ·基于交互的MCMC 粒子滤波算法 | 第49-56页 |
| ·交互MCMC 方法 | 第49-50页 |
| ·粒子群算法 | 第50页 |
| ·交互MCMC 粒子滤波算法 | 第50-52页 |
| ·算法性能分析 | 第52-56页 |
| ·实验结果 | 第56-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 基于模糊数据关联和粒子滤波的多目标跟踪 | 第61-74页 |
| ·引言 | 第61-62页 |
| ·多目标跟踪方法 | 第62-65页 |
| ·联合概率数据关联算法 | 第62-64页 |
| ·多假设跟踪方法 | 第64-65页 |
| ·基于模糊数据关联和粒子滤波的跟踪方法 | 第65-70页 |
| ·模糊数据关联算法 | 第65-66页 |
| ·改进模糊隶属度 | 第66-67页 |
| ·数据关联和粒子滤波的跟踪算法 | 第67-68页 |
| ·算法性能分析 | 第68-70页 |
| ·实验结果 | 第70-72页 |
| ·本章小结 | 第72-74页 |
| 第六章 总结与展望 | 第74-77页 |
| ·本文研究工作总结 | 第74-75页 |
| ·未来展望 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-84页 |
| 攻读学位期间的研究成果 | 第84页 |
