视频图像中运动目标检测与跟踪算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 运动目标检测算法 | 第14-15页 |
| 1.2.2 目标跟踪算法 | 第15-17页 |
| 1.3 本文主要研究内容与结构安排 | 第17-19页 |
| 第2章 背景建模与运动目标检测 | 第19-32页 |
| 2.1 引言 | 第19页 |
| 2.2 混合高斯模型 | 第19-22页 |
| 2.3 非参数核密度估计 | 第22-25页 |
| 2.3.1 核密度估计原理 | 第22-24页 |
| 2.3.2 背景估计与前景检测 | 第24-25页 |
| 2.4 基于时空熵的核密度估计背景建模方法 | 第25-29页 |
| 2.4.1 时空信息熵定义 | 第26页 |
| 2.4.2 背景熵模型 | 第26-27页 |
| 2.4.3 基于时空熵的核密度估计 | 第27-29页 |
| 2.5 实验结果与分析 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于自适应特征融合的压缩感知跟踪算法 | 第32-45页 |
| 3.1 引言 | 第32页 |
| 3.2 压缩感知跟踪算法 | 第32-39页 |
| 3.2.1 压缩感知基本理论 | 第32-36页 |
| 3.2.2 跟踪算法原理 | 第36-39页 |
| 3.3 基于自适应特征融合的压缩跟踪算法 | 第39-42页 |
| 3.3.1 改进后的自适应特征融合机制 | 第39-40页 |
| 3.3.2 权值自适应调整 | 第40-41页 |
| 3.3.3 算法流程 | 第41-42页 |
| 3.4 实验结果与分析 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于在线特征选择的压缩跟踪算法 | 第45-55页 |
| 4.1 引言 | 第45页 |
| 4.2 特征分类能力分析 | 第45-46页 |
| 4.3 基于在线特征选择的压缩跟踪算法 | 第46-50页 |
| 4.3.1 特征选择策略 | 第46-47页 |
| 4.3.2 跟踪算法框架 | 第47页 |
| 4.3.3 在线特征选择实现 | 第47-50页 |
| 4.4 实验结果与分析 | 第50-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 跟踪算法在人脸疲劳状态监测系统中的应用 | 第55-65页 |
| 5.1 引言 | 第55页 |
| 5.2 人脸疲劳状态监测系统设计 | 第55-57页 |
| 5.2.1 软件系统主要模块 | 第55-56页 |
| 5.2.2 软件运行流程 | 第56-57页 |
| 5.3 人脸疲劳状态监测系统实现 | 第57-60页 |
| 5.3.1 OpenCV简介 | 第57-58页 |
| 5.3.2 Qt简介 | 第58页 |
| 5.3.3 疲劳判定标准 | 第58-59页 |
| 5.3.4 眼部闭合判断 | 第59-60页 |
| 5.4 实验结果与分析 | 第60-64页 |
| 5.5 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 附录A 攻读硕士期间发表的学术论文 | 第72-73页 |
| 附录B 攻读硕士期间参与的科研任务 | 第73页 |
