| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 序言 | 第8-11页 |
| 1 引言 | 第11-19页 |
| 1.1 选题背景及意义 | 第11-13页 |
| 1.2 研究现状综述 | 第13-15页 |
| 1.3 存在的主要问题 | 第15-16页 |
| 1.4 本文主要工作及组织结构 | 第16-19页 |
| 2 行人跟踪基础知识概述 | 第19-31页 |
| 2.1 运动目标检测三大经典方法 | 第19-22页 |
| 2.1.1 帧差法 | 第19-20页 |
| 2.1.2 光流法 | 第20-21页 |
| 2.1.3 背景差分法 | 第21-22页 |
| 2.2 常用背景建模方法 | 第22-26页 |
| 2.2.1 单高斯背景建模 | 第23页 |
| 2.2.2 混合高斯背景建模 | 第23-24页 |
| 2.2.3 非参数核密度估计背景建模 | 第24-25页 |
| 2.2.4 基于贝叶斯理论的背景建模 | 第25-26页 |
| 2.3 分类特征及分类器 | 第26-28页 |
| 2.4 形态学处理及连通区域标记 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 基于目标检测与分类的行人检测方法研究 | 第31-49页 |
| 3.1 基于贝叶斯建模的运动目标检测方法的研究 | 第31-36页 |
| 3.1.1 贝叶斯决策准则 | 第32页 |
| 3.1.2 特征统计 | 第32-33页 |
| 3.1.3 基于贝叶斯建模的运动目标检测方法的实现 | 第33-36页 |
| 3.2 基于改进HOG和SVM的目标分类方法的研究 | 第36-44页 |
| 3.2.1 HOG特征提取 | 第36-39页 |
| 3.2.2 基于HOG特征的改进 | 第39-41页 |
| 3.2.3 SVM原理 | 第41-43页 |
| 3.2.4 基于改进HOG的SVM训练和分类 | 第43-44页 |
| 3.3 实验结果及分析 | 第44-47页 |
| 3.4 本章小结 | 第47-49页 |
| 4 基于特征表征与运动模型结合的行人跟踪方法研究 | 第49-65页 |
| 4.1 结合SIFT和Kalman滤波的Mean shift跟踪方法的提出 | 第49-50页 |
| 4.2 Mean shift跟踪 | 第50-53页 |
| 4.2.1 Mean shift原理 | 第50-51页 |
| 4.2.2 Mean shift用于目标跟踪 | 第51-53页 |
| 4.3 Kalman滤波估计 | 第53-54页 |
| 4.4 SIFT | 第54-56页 |
| 4.5 结合SIFT和Kalman滤波的Mean shift跟踪方法的实现 | 第56-59页 |
| 4.6 实验结果及分析 | 第59-63页 |
| 4.7 本章小结 | 第63-65页 |
| 5 智能行人跟踪系统的设计与实现 | 第65-73页 |
| 5.1 系统简介 | 第65-66页 |
| 5.2 系统模块组成 | 第66-67页 |
| 5.3 系统界面及使用实例 | 第67-71页 |
| 5.4 本章小结 | 第71-73页 |
| 6 结论 | 第73-75页 |
| 6.1 论文研究成果总结 | 第73-74页 |
| 6.2 后续研究工作展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第79-83页 |
| 学位论文数据集 | 第83页 |
