| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究目的和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 单摄像机视频跟踪算法 | 第13-14页 |
| 1.2.2 有重叠视域多摄像机视频跟踪的缺陷 | 第14-15页 |
| 1.2.3 无重叠视域多摄像机视频跟踪的不足 | 第15-16页 |
| 1.2.4 智能网络视频跟踪系统研究现状 | 第16-17页 |
| 1.3 论文的研究内容和创新点 | 第17-19页 |
| 1.3.1 研究内容 | 第17-19页 |
| 1.3.2 论文创新点 | 第19页 |
| 1.4 论文的章节安排 | 第19-21页 |
| 第二章 基于检测-跟踪-学习-预测的单摄像机视频跟踪算法 | 第21-36页 |
| 2.1 引言 | 第21-22页 |
| 2.2 基于检测方法的视频跟踪算法 | 第22-25页 |
| 2.2.1 Haar-like特征描述子 | 第22-23页 |
| 2.2.2 LBP特征描述子 | 第23-24页 |
| 2.2.3 2-bit BP特征描述子 | 第24-25页 |
| 2.3 基于跟踪过程的跟踪算法 | 第25-28页 |
| 2.3.1 光流法 | 第25-27页 |
| 2.3.2 帧差法 | 第27-28页 |
| 2.4 检测模块-跟踪模块共存的TLD视频跟踪算法 | 第28-29页 |
| 2.5 PTLD视频跟踪算法 | 第29-32页 |
| 2.5.1 卡尔曼预测位置信息 | 第29-30页 |
| 2.5.2 视频跟踪的卡尔曼预估 | 第30-31页 |
| 2.5.3 目标运动方向的预测 | 第31-32页 |
| 2.6 仿真实验结果与分析 | 第32-35页 |
| 2.7 小结 | 第35-36页 |
| 第三章 基于人工免疫随机森林和特征融合的多摄像机行人跟踪算法 | 第36-57页 |
| 3.1 引言 | 第36-39页 |
| 3.2 鲁棒特征的表示和选择 | 第39-43页 |
| 3.2.1 颜色特征 | 第39-41页 |
| 3.2.2 x-bit BP纹理特征 | 第41-43页 |
| 3.3 基于人工免疫随机森林实现特征的快速计算 | 第43-47页 |
| 3.4 颜色与纹理的特征融合算法 | 第47-48页 |
| 3.5 基于亮度转换函数的亮度信息预处理 | 第48-49页 |
| 3.6 仿真实验结果与分析 | 第49-55页 |
| 3.6.1 跟踪结果分析 | 第49-54页 |
| 3.6.2 亮度转换函数分析 | 第54-55页 |
| 3.7 小结 | 第55-57页 |
| 第四章 多摄像机行人跟踪的多状态自学习模板库更新算法 | 第57-72页 |
| 4.1 引言 | 第57-58页 |
| 4.2 模板库更新与视频跟踪的联系 | 第58-60页 |
| 4.3 视频跟踪状态的学习和判断 | 第60-65页 |
| 4.3.1 视频跟踪状态的学习和判断 | 第61-62页 |
| 4.3.2 视频跟踪结果的学习和判断 | 第62-63页 |
| 4.3.3 跟踪目标遮挡判断与学习 | 第63-65页 |
| 4.4 仿真实验结果与分析 | 第65-71页 |
| 4.4.1 视频跟踪结果演示 | 第65-68页 |
| 4.4.2 性能比较 | 第68-71页 |
| 4.5 小结 | 第71-72页 |
| 第五章 融合多摄像机的智能分布式跟踪系统研究 | 第72-80页 |
| 5.1 引言 | 第72页 |
| 5.2 单摄像机Agent框架和智能分布式跟踪系统的构建 | 第72-75页 |
| 5.3 智能分布式跟踪系统及实验仿真（以校园为例） | 第75-79页 |
| 5.4 小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-83页 |
| 6.1 总结 | 第80-81页 |
| 6.2 展望 | 第81-83页 |
| 致谢 | 第83-85页 |
| 参考文献 | 第85-103页 |
| 附录 | 第103-104页 |
| 附录A 攻读博士学位期间取得的成果 | 第103-104页 |
| 附录B 攻读博士学位期间参与的项目 | 第104页 |
