| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 课题的背景与意义 | 第12页 |
| 1.2 目标检测的发展与现状 | 第12-14页 |
| 1.2.1 检测技术概要 | 第12-13页 |
| 1.2.2 国外发展现状 | 第13-14页 |
| 1.2.3 国内发展现状 | 第14页 |
| 1.3 跟踪技术的发展与现状 | 第14-15页 |
| 1.3.1 跟踪基本思想 | 第14-15页 |
| 1.3.2 国内外发展现状 | 第15页 |
| 1.4 本文的主要研究内容及结构安排 | 第15-17页 |
| 第2章 图像处理基础知识 | 第17-25页 |
| 2.1 图像灰度处理 | 第17-18页 |
| 2.2 图像二值化 | 第18页 |
| 2.3 直方图均衡化 | 第18-19页 |
| 2.4 图像去噪 | 第19-22页 |
| 2.4.1 均值滤波 | 第20-21页 |
| 2.4.2 中值滤波 | 第21-22页 |
| 2.5 形态学处理 | 第22-23页 |
| 2.6 图像逻辑运算 | 第23-24页 |
| 2.6.1 与运算（交集） | 第24页 |
| 2.6.2 或运算（并集） | 第24页 |
| 2.6.3 非运算（补集） | 第24页 |
| 2.7 本章小结 | 第24-25页 |
| 第3章 融入最小二乘预测的背景补偿 | 第25-38页 |
| 3.1 灰度投影法 | 第26-30页 |
| 3.1.1 基本思想 | 第26-27页 |
| 3.1.2 灰度投影法的改进措施 | 第27-30页 |
| 3.2 背景运动量预测 | 第30-32页 |
| 3.2.1 最小二乘原理 | 第30-31页 |
| 3.2.2 N点线性逼近预测算法 | 第31-32页 |
| 3.3 基于最小二乘预测的灰度投影算法实现 | 第32-34页 |
| 3.3.1 图像预处理 | 第32页 |
| 3.3.2 背景运动矢量预测 | 第32-33页 |
| 3.3.3 运动补偿 | 第33-34页 |
| 3.4 仿真实验 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 运动目标的检测算法研究 | 第38-47页 |
| 4.1 引言 | 第38页 |
| 4.2 常用目标检测方法 | 第38-41页 |
| 4.3 检测算法改进 | 第41-43页 |
| 4.3.1 改进的帧间差分法 | 第42页 |
| 4.3.2 改进的背景减法 | 第42-43页 |
| 4.4 后处理 | 第43-44页 |
| 4.5 算法主要流程图 | 第44页 |
| 4.6 实验结果分析 | 第44-45页 |
| 4.7 本章小结 | 第45-47页 |
| 第5章 运动目标的跟踪算法研究 | 第47-63页 |
| 5.1 Mean-shift跟踪算法 | 第47-50页 |
| 5.2 Camshift跟踪算法 | 第50-53页 |
| 5.2.1 反向投影 | 第51页 |
| 5.2.2 Mean-shift算法寻找质心 | 第51-52页 |
| 5.2.3 连续自适应均值移动跟踪算法 | 第52-53页 |
| 5.3 粒子滤波 | 第53-56页 |
| 5.3.1 贝叶斯估计理论 | 第53-54页 |
| 5.3.2 蒙特卡洛采样 | 第54页 |
| 5.3.3 序列重要性采样算法 | 第54-56页 |
| 5.3.4 重采样 | 第56页 |
| 5.4 基于Mean-shift与粒子滤波相融合的目标跟踪算法 | 第56-58页 |
| 5.4.1 Mean-shift算法的聚类分析 | 第56-57页 |
| 5.4.2 Mean-shift与粒子滤波相融合的算法跟踪原理 | 第57-58页 |
| 5.5 实验结果与分析 | 第58-62页 |
| 5.6 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 附录A 攻读硕士学位期间发表的学术论文 | 第71页 |