| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 研究的背景和意义 | 第10-11页 |
| 1.2 国内外相关技术发展现状 | 第11-18页 |
| 1.2.1 视频运动分析技术研究现状 | 第11-13页 |
| 1.2.2 运动目标检测与跟踪技术研究现状 | 第13-16页 |
| 1.2.3 无人机目标检测跟踪技术研究现状 | 第16-17页 |
| 1.2.4 地理信息辅助下目标跟踪技术研究现状 | 第17-18页 |
| 1.3 论文主要研究内容 | 第18-20页 |
| 1.4 论文组织结构安排 | 第20-21页 |
| 第二章 基于大位移光流的目标运动估计 | 第21-38页 |
| 2.1 光流技术的基本原理 | 第21-23页 |
| 2.2 基于微分梯度和特征匹配的光流计算方法 | 第23-27页 |
| 2.2.1 基于特征匹配的方法 | 第23-24页 |
| 2.2.2 基于微分梯度的方法 | 第24-26页 |
| 2.2.3 对比分析 | 第26-27页 |
| 2.3 多分辨率由粗到精分层策略 | 第27-28页 |
| 2.4 基于大位移光流的运动估计 | 第28-31页 |
| 2.5 实验结果与分析 | 第31-36页 |
| 实验一：基于微分梯度和基于特征匹配光流算法对比实验 | 第31-33页 |
| 实验二：Lucas-Kanade 算法与金字塔 Lucas-Kanade 算法对比实验 | 第33-35页 |
| 实验三：基于大位移光流算法的运动估计 | 第35-36页 |
| 2.6 本章小结 | 第36-38页 |
| 第三章 道路信息辅助下的运动目标检测 | 第38-50页 |
| 3.1 基于大位移光流的运动目标检测 | 第38-42页 |
| 3.1.1 高斯混合概率模型 | 第38-39页 |
| 3.1.2 EM 算法基本原理 | 第39-41页 |
| 3.1.3 基于大位移光流和 EM 相结合的运动目标检测与分割 | 第41-42页 |
| 3.2 道路约束下检测区域的确定 | 第42-46页 |
| 3.2.1 道路信息以及道路的表示 | 第42-43页 |
| 3.2.2 道路空间分析 | 第43-44页 |
| 3.2.3 道路检测区域的确定及道路约束条件下的目标检测 | 第44-46页 |
| 3.3 实验结果与分析 | 第46-49页 |
| 实验一：基于大位移光流的运动目标检测 | 第46-48页 |
| 实验二：道路约束下基于大位移光流的运动目标检测 | 第48-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第四章 道路信息辅助下的运动目标跟踪 | 第50-64页 |
| 4.1 卡尔曼滤波的基本原理 | 第50-51页 |
| 4.2 带约束条件的卡尔曼滤波 | 第51-55页 |
| 4.2.1 带约束条件的卡尔曼滤波模型 | 第51-53页 |
| 4.2.2 道路约束条件下的卡尔曼滤波 | 第53-55页 |
| 4.3 道路约束下基于改进卡尔曼滤波的目标跟踪 | 第55-58页 |
| 4.3.1 目标跟踪算法 | 第55-56页 |
| 4.3.2 基于灰度模板匹配的目标跟踪 | 第56-57页 |
| 4.3.3 基于改进卡尔曼滤波的目标跟踪 | 第57-58页 |
| 4.4 实验结果与分析 | 第58-63页 |
| 实验一：模拟数据目标跟踪 | 第58-60页 |
| 实验二：真实数据目标跟踪 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 本文研究工作的总结 | 第64页 |
| 5.2 存在的问题及下一步研究方向 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 作者简历 | 第72页 |
