| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·本课题的研究背景及意义 | 第8-9页 |
| ·国内外研究现状 | 第9-11页 |
| ·待解决的问题 | 第11页 |
| ·本论文的主要工作 | 第11-12页 |
| ·本论文的内容组织安排 | 第12页 |
| ·本章小结 | 第12-14页 |
| 第二章 视频图像的预处理方法 | 第14-20页 |
| ·引言 | 第14页 |
| ·二值化 | 第14页 |
| ·图像增强 | 第14-15页 |
| ·中值滤波 | 第15-16页 |
| ·数学形态学处理法 | 第16-18页 |
| ·连通性分析 | 第18页 |
| ·本章小结 | 第18-20页 |
| 第三章 对固定场景中运动目标的检测 | 第20-34页 |
| ·引言 | 第20页 |
| ·常用的目标检测算法介绍 | 第20-33页 |
| ·光流法 | 第20-23页 |
| ·帧差法 | 第23-26页 |
| ·背景差分法 | 第26-31页 |
| ·Surendra 背景差分法与相邻五帧帧间差分法相结合的算法 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 对检测出的运动目标进行正确分类 | 第34-50页 |
| ·引言 | 第34页 |
| ·常用的运动目标特征提取的分类方法介绍 | 第34-36页 |
| ·基于运动特征的分类 | 第34-35页 |
| ·基于形状信息的分类方法 | 第35-36页 |
| ·第三种是基于前两种方法混合的方法 | 第36页 |
| ·基于支持向量机的分类方法 | 第36-41页 |
| ·传统学习理论的分类方法 | 第36-37页 |
| ·关于支持向量机方法介绍 | 第37-40页 |
| ·支持向量机的核函数介绍 | 第40-41页 |
| ·基于形状特征结合支持向量机分类算法的运动目标分类 | 第41-49页 |
| ·常用的形状特征 | 第41-43页 |
| ·行人与车辆区别较大的形状特征 | 第43-45页 |
| ·用基于小波核函数的支持向量机分类器进行分类 | 第45-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| ·本文主要完成的工作 | 第50页 |
| ·未来进一步的研究工作 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-58页 |
| 攻读学位期间发表的学术论文及研究 | 第58-59页 |