| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第12-28页 |
| 1.1 课题背景 | 第12-13页 |
| 1.2 目标检测与跟踪研究现状 | 第13-23页 |
| 1.2.1 目标检测 | 第15-20页 |
| 1.2.2 目标跟踪 | 第20-22页 |
| 1.2.3 目标跟踪与检测疑难点 | 第22-23页 |
| 1.3 本文的主要研究工作 | 第23-26页 |
| 1.3.1 主要研究内容 | 第23-24页 |
| 1.3.2 研究工作创新点 | 第24-26页 |
| 1.4 论文的组织结构安排 | 第26-27页 |
| 1.5 本章小结 | 第27-28页 |
| 第2章 目标检测与跟踪算法基础 | 第28-38页 |
| 2.1 特征描述 | 第28-30页 |
| 2.1.1 颜色特征 | 第28-29页 |
| 2.1.2 HOG特征 | 第29-30页 |
| 2.2 粒子滤波理论 | 第30-36页 |
| 2.2.1 递归贝叶斯滤波 | 第31-32页 |
| 2.2.2 粒子滤波算法基础 | 第32-36页 |
| 2.3 本章小结 | 第36-38页 |
| 第3章 基于改进混合高斯模型的目标区域提取 | 第38-47页 |
| 3.1 目标检测的影响分析 | 第39页 |
| 3.2 改进型混合高斯背景模型 | 第39-46页 |
| 3.2.1 混合高斯背景建模 | 第39-41页 |
| 3.2.2 改进型帧差法 | 第41-42页 |
| 3.2.3 结合帧差法的混合高斯建模 | 第42-43页 |
| 3.2.4 实验与分析 | 第43-46页 |
| 3.3 本章小结 | 第46-47页 |
| 第4章 基于多特征融合的粒子滤波跟踪方法 | 第47-59页 |
| 4.1 基于粒子滤波的目标跟踪方法 | 第47-49页 |
| 4.1.1 状态模型 | 第48页 |
| 4.1.2 观测模型 | 第48-49页 |
| 4.2 多特征融合的目标跟踪实现 | 第49-52页 |
| 4.2.1 多特征的融合 | 第49-51页 |
| 4.2.2 目标跟踪的实现 | 第51-52页 |
| 4.3 实验与分析 | 第52-57页 |
| 4.3.1 多特征融合方法与标准粒子滤波对比 | 第52-55页 |
| 4.3.2 多特征融合方法与其他算法(MeanShift)对比 | 第55-57页 |
| 4.4 实验结论 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 基于BP神经网络的粒子滤波跟踪算法 | 第59-72页 |
| 5.1 BP神经网络 | 第59-61页 |
| 5.1.1 BP神经网络的模型 | 第59-60页 |
| 5.1.2 BP神经网络算法的步骤 | 第60-61页 |
| 5.2 基于BP神经网络的粒子滤波跟踪实现 | 第61-64页 |
| 5.2.1 BP神经网络改进粒子滤波算法 | 第61-63页 |
| 5.2.2 改进型多特征融合粒子滤波跟踪算法 | 第63-64页 |
| 5.3 实验结果与分析 | 第64-70页 |
| 5.3.1 模型跟踪实验与分析 | 第64-68页 |
| 5.3.2 目标跟踪实验与分析 | 第68-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第6章 总结与展望 | 第72-75页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间主要的研究成果 | 第79-80页 |
| 致谢 | 第80页 |