| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 本文的研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 基于静态特征的目标检测识别 | 第10-11页 |
| 1.2.2 基于动态特征的目标检测识别 | 第11-13页 |
| 1.3 研究难点 | 第13页 |
| 1.4 本文主要内容及工作安排 | 第13-16页 |
| 第二章 复杂场景中运动目标检测跟踪 | 第16-28页 |
| 2.1 深度信息获取 | 第16-19页 |
| 2.1.1 双目立体视觉原理 | 第16-17页 |
| 2.1.2 深度图生成 | 第17-18页 |
| 2.1.3 深度与高度信息转换 | 第18-19页 |
| 2.2 运动目标检测算法 | 第19-23页 |
| 2.2.1 背景提取 | 第20页 |
| 2.2.2 运动目标锁定 | 第20-22页 |
| 2.2.3 干扰目标剔除处理 | 第22-23页 |
| 2.3 运动目标跟踪算法 | 第23-27页 |
| 2.3.1 卡尔曼滤波器预测 | 第23-24页 |
| 2.3.2 多特征加权匹配策略 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于检测面的 3D轨迹分析与目标识别 | 第28-40页 |
| 3.1 轨迹三维信息获取 | 第28-33页 |
| 3.1.1 摄像机成像模型 | 第28-31页 |
| 3.1.2 摄像机三维标定 | 第31-32页 |
| 3.1.3 三维轨迹的获取 | 第32-33页 |
| 3.2 基于检测面的 3D轨迹分析 | 第33-35页 |
| 3.2.1 检测面设定 | 第33-34页 |
| 3.2.2 行为模式 | 第34页 |
| 3.2.3 判定准则 | 第34-35页 |
| 3.3 实验结果及分析 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于朴素贝叶斯分类的 3D轨迹分析与目标识别 | 第40-50页 |
| 4.1 朴素贝叶斯分类 | 第40-42页 |
| 4.1.1 分类原理 | 第40-41页 |
| 4.1.2 分类流程 | 第41-42页 |
| 4.2 朴素贝叶斯分类器训练 | 第42-48页 |
| 4.2.1 构造训练样本 | 第42-44页 |
| 4.2.2 特征提取 | 第44-46页 |
| 4.2.3 特征筛选 | 第46-48页 |
| 4.3 实验结果与分析 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 基于Ada Boost分类的 3D轨迹分析与目标识别 | 第50-57页 |
| 5.1 Adaboost分类 | 第50-53页 |
| 5.1.1 Boostiong分类原理 | 第50-51页 |
| 5.1.2 Ada Boost分类原理 | 第51页 |
| 5.1.3 Ada Boost分类流程 | 第51-53页 |
| 5.2 训练强分类器 | 第53页 |
| 5.3 实验结果与分析 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读学位期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64页 |