| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-25页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 研究现状与存在问题 | 第13-22页 |
| 1.2.1 运动目标检测 | 第14-17页 |
| 1.2.2 目标跟踪 | 第17-22页 |
| 1.3 论文主要研究工作与创新性成果 | 第22-24页 |
| 1.4 论文的章节内容安排 | 第24-25页 |
| 第2章 基于时空样本一致性的运动目标检测 | 第25-48页 |
| 2.1 引言 | 第25-26页 |
| 2.2 背景减除方法的研究现状 | 第26-30页 |
| 2.2.1 相关方法 | 第26-28页 |
| 2.2.2 存在问题 | 第28-30页 |
| 2.3 基于时空样本一致性的运动目标检测算法 | 第30-39页 |
| 2.3.1 背景建立与初始化 | 第31-32页 |
| 2.3.2 基于背景样本熵的动态阈值分割 | 第32-35页 |
| 2.3.3 两级更新策略 | 第35-36页 |
| 2.3.4 亮度变换 | 第36-39页 |
| 2.3.5 后处理 | 第39页 |
| 2.4 实验结果及分析 | 第39-47页 |
| 2.4.1 初始帧存在运动目标 | 第39-42页 |
| 2.4.2 动态背景 | 第42-43页 |
| 2.4.3 光照变化 | 第43-44页 |
| 2.4.4 定量分析 | 第44-47页 |
| 2.5 本章小结 | 第47-48页 |
| 第3章 改进的颜色粒子滤波目标跟踪 | 第48-62页 |
| 3.1 引言 | 第48-49页 |
| 3.2 粒子滤波算法原理 | 第49-53页 |
| 3.2.1 贝叶斯滤波 | 第49-51页 |
| 3.2.2 粒子滤波 | 第51-53页 |
| 3.3 改进的颜色粒子滤波目标跟踪算法 | 第53-58页 |
| 3.3.1 基于颜色局部熵的目标模型 | 第53-57页 |
| 3.3.2 模型更新策略及粒子数量的动态调整 | 第57页 |
| 3.3.3 算法步骤 | 第57-58页 |
| 3.4 实验与分析 | 第58-61页 |
| 3.4.1 校园内车辆跟踪 | 第58页 |
| 3.4.2 遮挡情况下的跟踪 | 第58-59页 |
| 3.4.3 光照变化情况下的跟踪 | 第59-61页 |
| 3.5 本章小结 | 第61-62页 |
| 第4章 基于压缩感知和目标检测的在线学习目标跟踪 | 第62-88页 |
| 4.1 引言 | 第62-63页 |
| 4.2 压缩跟踪算法 | 第63-66页 |
| 4.2.1 压缩感知特征提取 | 第63-64页 |
| 4.2.2 分类器构造及其更新策略 | 第64-65页 |
| 4.2.3 压缩跟踪算法的步骤 | 第65-66页 |
| 4.3 基于压缩感知和目标检测的在线学习目标跟踪算法 | 第66-72页 |
| 4.3.1 算法概述 | 第66-67页 |
| 4.3.2 改进的压缩跟踪算法 | 第67-69页 |
| 4.3.3 目标检测 | 第69页 |
| 4.3.4 目标状态分析器 | 第69-70页 |
| 4.3.5 ICT-STSC算法步骤 | 第70-72页 |
| 4.4 实验与分析 | 第72-87页 |
| 4.4.1 测试集选取 | 第72-73页 |
| 4.4.2 评测准则 | 第73-74页 |
| 4.4.3 定性分析 | 第74-77页 |
| 4.4.4 定量分析 | 第77-87页 |
| 4.5 本章小结 | 第87-88页 |
| 第5章 基于多特征融合和粒子滤波的多目标跟踪 | 第88-104页 |
| 5.1 引言 | 第88-89页 |
| 5.2 基于多特征融合和粒子滤波的多目标跟踪算法 | 第89-96页 |
| 5.2.1 算法概述 | 第89-90页 |
| 5.2.2 前景目标检测 | 第90-91页 |
| 5.2.3 两级目标关联 | 第91-93页 |
| 5.2.4 跟踪过程中事件类型判定 | 第93-94页 |
| 5.2.5 基于粒子滤波的多目标合并处理策略 | 第94-95页 |
| 5.2.6 算法步骤 | 第95-96页 |
| 5.3 实验与分析 | 第96-103页 |
| 5.3.1 定性分析 | 第96-98页 |
| 5.3.2 定量分析 | 第98-103页 |
| 5.4 本章小结 | 第103-104页 |
| 结论 | 第104-106页 |
| 参考文献 | 第106-123页 |
| 攻读学位期间发表论文与研究成果清单 | 第123-124页 |
| 致谢 | 第124页 |