| 中文摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 引言 | 第9-17页 |
| ·研究内容与研究意义 | 第9-11页 |
| ·研究方法 | 第11-15页 |
| ·图像处理 | 第11-12页 |
| ·基于HMM 的时间序列分析方法 | 第12-14页 |
| ·熵在序列图像序列分析中应用 | 第14-15页 |
| ·文中场景序列建模分析的主要特点 | 第15页 |
| ·论文结构 | 第15-17页 |
| 第二章 概率图模型 | 第17-25页 |
| ·条件独立 | 第17-18页 |
| ·有向图模型（贝叶斯网络） | 第18-19页 |
| ·无向图模型 | 第19-21页 |
| ·参数学习算法 | 第21-23页 |
| ·全部数据的参数学习 | 第21-22页 |
| ·隐变量的参数学习 | 第22-23页 |
| ·推断（Inference）算法 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 隐马尔可夫模型理论 | 第25-37页 |
| ·马尔可夫（Markov）链 | 第25-26页 |
| ·隐马尔可夫模型（HMM） | 第26-28页 |
| ·隐马尔可夫模型的定义 | 第27页 |
| ·隐马尔可夫模型的类型 | 第27-28页 |
| ·隐马尔可夫模型的三个基本问题 | 第28页 |
| ·隐马尔可夫模型三个基本问题的计算 | 第28-34页 |
| ·评估问题：前向-后向（Forward-Backward）算法 | 第28-31页 |
| ·解码问题：Viterbi 算法 | 第31-32页 |
| ·训练问题：Baum-Welch 算法 | 第32-34页 |
| ·平稳概率分布 | 第34-35页 |
| ·基于HMM 聚类算法 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 图像预处理 | 第37-47页 |
| ·图像尺度变换 | 第37-39页 |
| ·视频图像去噪 | 第39-44页 |
| ·均值滤波 | 第40页 |
| ·中值滤波 | 第40-41页 |
| ·维纳滤波 | 第41-43页 |
| ·高斯低通滤波 | 第43-44页 |
| ·图像去噪实验结果及探讨 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 视频场景序列的HMM 建模分析 | 第47-59页 |
| ·HMM 场景序列建模 | 第48-50页 |
| ·背景模型（视频场景静态部分） | 第50-56页 |
| ·像素级别的背景模型构建 | 第50-51页 |
| ·实验结果及其分析 | 第51-53页 |
| ·背景模型的时空分割 | 第53-54页 |
| ·实验结果及其分析 | 第54-56页 |
| ·前景活动图（视频场景的动态部分） | 第56-57页 |
| ·实验结果及其分析 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| ·全文工作总结 | 第59页 |
| ·未来工作展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读学位期间本人出版或公开发表的论著、论文 | 第65-66页 |
| 致谢 | 第66-67页 |