| 中文摘要 | 第1-11页 |
| 英文摘要 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| 第一节 课题的来源及研究意义 | 第12页 |
| 第二节 当前研究的主要成果及存在问题 | 第12-15页 |
| 2．1 运动目标检测和提取方面 | 第12-13页 |
| 2．1．1 静止背景下运动目标的检测和提取 | 第13页 |
| 2．1．2 运动背景下运动目标的检测和提取 | 第13页 |
| 2．2 运动目标跟踪方面 | 第13-14页 |
| 2．3运动目标识别 | 第14页 |
| 2．4 认证 | 第14-15页 |
| 第三节 本论文的主要研究内容及成果 | 第15-17页 |
| 第四节 本论文的组织 | 第17-20页 |
| 第二章 静止背景下视频序列中目标检测和提取 | 第20-48页 |
| 第一节 引言 | 第20-22页 |
| 第二节 瞬时差分法 | 第22-32页 |
| 2．1 瞬时差分法基本原理 | 第22-25页 |
| 2．2 改进的瞬时差分法 | 第25-32页 |
| 2．2．1 算法原理 | 第25-26页 |
| 2．2．2 变化检测准则 | 第26-27页 |
| 2．2．3 二值化 | 第27-28页 |
| 2．2．4 形态学处理 | 第28-29页 |
| 2．2．5 孔洞消除、区域标记和判别 | 第29页 |
| 2．2．6 实验结果 | 第29-30页 |
| 2．2．7 分析和讨论 | 第30-32页 |
| 第三节 自适应背景相减法 | 第32-35页 |
| 3．1 基于背景差的方法原理 | 第32-33页 |
| 3．2 估计背景图像 | 第33-35页 |
| 3．2．1 统计平均法 | 第33-34页 |
| 3．2．2 IIR滤波器方法 | 第34页 |
| 3．2．3 区分像素类别的背景图像估计方法 | 第34-35页 |
| 第四节 自适应背景模型估计算法 | 第35-40页 |
| 4．1 自适应背景模型估计——单模型方法： | 第35-36页 |
| 4．1．1 背景图像的估计和更新 | 第35-36页 |
| 4．1．2 背景估计图像与当前相邻两帧图像的目标检测 | 第36页 |
| 4．2 自适应背景模型估计——多模型方法 | 第36-40页 |
| 4．2．1 像素模型定义 | 第37页 |
| 4．2．2 像素值模型参数的修正 | 第37-39页 |
| 4．2．3 背景像素模型的建立 | 第39-40页 |
| 第五节 一种精确提取目标的算法 | 第40-46页 |
| 5．1 问题提出 | 第40-41页 |
| 5．2 算法原理 | 第41-42页 |
| 5．3 算法实现 | 第42-44页 |
| 5．3．1 背景图像的估计和更新 | 第42-43页 |
| 5．3．2 背景估计图像与当前相邻两帧图像的目标检测 | 第43-44页 |
| 5．3．3 变化目标的精确提取 | 第44页 |
| 5．4 实验结果 | 第44-45页 |
| 5．5 结论 | 第45-46页 |
| 第六节 小结 | 第46-48页 |
| 第三章 运动背景下视频序列中运动目标检测和提取 | 第48-68页 |
| 第一节 视频分割 | 第49-52页 |
| 1．1 基于变化检测的分割 | 第49-50页 |
| 1．1．1 直接法进行分割 | 第49-50页 |
| 1．1．2 使用运动参数的方法 | 第50页 |
| 1．2 基于光流的运动分割 | 第50-52页 |
| 第二节 背景运动2D参数模型 | 第52-57页 |
| 2．1 2D参数模型 | 第52-54页 |
| 2．2 视频监视图像序列的特点 | 第54页 |
| 2．3 背景图像的运动模型 | 第54-57页 |
| 第三节 图像匹配 | 第57-60页 |
| 3．1 全局运动参数估计 | 第57-58页 |
| 3．2 Hough变换求解全局运动参数 | 第58页 |
| 3．3 图像匹配的两种方法 | 第58-60页 |
| 第四节 背景图像匹配方法—匹配块法 | 第60-65页 |
| 4．1 模型参数的求解 | 第60-62页 |
| 4．2 计算匹配图像 | 第62-63页 |
| 4．3 实验结果 | 第63页 |
| 4．4 分析和讨论 | 第63-65页 |
| 第五节 背景图像匹配—光流估计方法 | 第65-67页 |
| 5．1 算法原理 | 第65-66页 |
| 5．2 算法实现步骤 | 第66页 |
| 5．3 讨论 | 第66-67页 |
| 第六节 讨论与小结 | 第67-68页 |
| 第四章 运动目标跟踪 | 第68-78页 |
| 第一节 概述 | 第68-69页 |
| 第二节 目标跟踪方法 | 第69-70页 |
| 2．1 跟踪刚体目标 | 第69-70页 |
| 2．2 跟踪非刚体目标 | 第70页 |
| 第三节 被跟踪目标位置的预测 | 第70-72页 |
| 3．1 被跟踪目标位置线性预测估计方法 | 第71-72页 |
| 3．2 统计预测方法 | 第72页 |
| 第四节 扩展卡尔曼预测滤波器 | 第72-74页 |
| 4．1 卡尔曼（Kalman）滤波器的组成 | 第72页 |
| 4．2 使用扩展Kalman滤波器进行目标跟踪的算法流程： | 第72-74页 |
| 第五节 实验结果与讨论 | 第74-78页 |
| 第五章 运动目标识别 | 第78-86页 |
| 第一节 引言 | 第78页 |
| 第二节 区分行人与车辆的特征 | 第78-80页 |
| 2．1 形状特征 | 第78-79页 |
| 2．2 空间占用率 | 第79页 |
| 2．3 帧间变化率 | 第79-80页 |
| 2．4 可用的先验知识 | 第80页 |
| 第三节 基于支撑矢量机的分类器 | 第80-86页 |
| 3．1 最优分类面 | 第80-82页 |
| 3．2 支撑矢量机 | 第82页 |
| 3．3 图像目标识别 | 第82-83页 |
| 3．4 讨论及小结 | 第83-86页 |
| 第六章 认证 | 第86-108页 |
| 第一节 引言 | 第86-88页 |
| 1．1 介绍 | 第86-87页 |
| 1．2 水印基本工作原理 | 第87-88页 |
| 1．3 水印的应用 | 第88页 |
| 第二节 水印技术要求 | 第88-90页 |
| 2．1 不可感知性 | 第88页 |
| 2．2 鲁棒性 | 第88-89页 |
| 2．3 水印检测时是否需要使用原始宿主数据 | 第89页 |
| 2．4 水印信息种类及保密 | 第89-90页 |
| 2．5 几个矛盾的折衷 | 第90页 |
| 2．5．1 埋植信息容量和鲁棒性 | 第90页 |
| 2．5．2 埋植水印信息的强度和不可感知性 | 第90页 |
| 2．5．3 鲁棒性和感知敏感性 | 第90页 |
| 第三节 水印技术 | 第90-91页 |
| 3．1 水印信号的生成 | 第90-91页 |
| 3．2 水印信息隐藏位置 | 第91页 |
| 3．3 水印信号的检测 | 第91页 |
| 第四节 数字图像水印 | 第91-92页 |
| 第五节 埋置到不同域中的数字图像水印 | 第92-96页 |
| 5．1 将水印信号埋植到DFT域 | 第92-93页 |
| 5．2 将水印信号埋植到DCT域 | 第93-94页 |
| 5．3 利用付里叶—梅林变换MFT（Mellin-FourierTransform）的特性埋植水印信号 | 第94-96页 |
| 5．4 将水印信号埋植到DWT域 | 第96页 |
| 第六节 基于彩色分量DCT域的数字图像水印 | 第96-108页 |
| 6．1 彩色图像彩色通道DCT变换系数的统计规律 | 第96-99页 |
| 6．2 算法的基本原理、 | 第99-100页 |
| 6．3 水印信号的埋植算法 | 第100-101页 |
| 6．4 水印信号的检测算法 | 第101-102页 |
| 6．5 实验结果及讨论 | 第102-106页 |
| 6．6 结论 | 第106-108页 |
| 第七章 总结 | 第108-112页 |
| 参考文献 | 第112-120页 |
| 附录： 攻读博士学位期间所作的科研和教学工作以及发表的论文 | 第120-122页 |
| 致谢 | 第122页 |
