| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题的研究背景与意义 | 第12-13页 |
| 1.2 目标检测的研究现状 | 第13-15页 |
| 1.2.1 国内外目标检测研究现状 | 第13页 |
| 1.2.2 目标检测方法的研究现状 | 第13-15页 |
| 1.3 传统的混合高斯模型算法存在的不利因素 | 第15-16页 |
| 1.4 论文的主要工作与安排 | 第16-18页 |
| 1.4.1 论文的主要工作 | 第16-17页 |
| 1.4.2 论文的安排 | 第17-18页 |
| 第2章 视频目标检测理论 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 视频目标检测的原理 | 第18-19页 |
| 2.3 视频目标检测的基本算法 | 第19-23页 |
| 2.3.1 光流法 | 第19-20页 |
| 2.3.2 帧间差分法 | 第20-22页 |
| 2.3.3 背景差分法 | 第22-23页 |
| 2.4 背景差分法中的常用算法 | 第23-27页 |
| 2.4.1 码本算法 | 第24-25页 |
| 2.4.2 非参数的核密度估计算法 | 第25-26页 |
| 2.4.3 W4模型算法 | 第26-27页 |
| 2.4.4 统计平均法 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 高斯背景模型 | 第28-36页 |
| 3.1 引言 | 第28页 |
| 3.2 单高斯模型 | 第28-30页 |
| 3.3 混合高斯模型 | 第30-34页 |
| 3.3.1 背景建模 | 第30-32页 |
| 3.3.2 背景模型匹配与更新 | 第32-33页 |
| 3.3.3 前景检测 | 第33-34页 |
| 3.4 混合高斯模型算法常出现的问题 | 第34-35页 |
| 3.5 实验分析 | 第35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于改进的自适应混合高斯目标检测算法 | 第36-52页 |
| 4.1 一种增强型的混合高斯模型目标检测算法 | 第36-42页 |
| 4.1.1 阴影的去除 | 第36-37页 |
| 4.1.2 背景学习率的自适应调整 | 第37-38页 |
| 4.1.3 一种增强型的混合高斯模型目标检测算法流程图 | 第38-39页 |
| 4.1.4 实验结果与分析 | 第39-42页 |
| 4.2 基于Tsallis熵和相关接近度的混合高斯模型目标检测算法 | 第42-51页 |
| 4.2.1 Tsallis熵自适应选取高斯模型个数 | 第42-43页 |
| 4.2.2 相关接近度 | 第43-45页 |
| 4.2.3 基于Tsallis熵和相关接近度的混合高斯模型目标检测算法流程图 | 第45-46页 |
| 4.2.4 实验结果 | 第46-51页 |
| 4.3 本章小结 | 第51-52页 |
| 总结与展望 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60-61页 |
| 附录A 攻读硕士学位期间发表的学术论文 | 第61页 |
