| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景与意义 | 第10-11页 |
| 1.2 人群识别和跟踪现状 | 第11-12页 |
| 1.3 人群识别和跟踪技术 | 第12-15页 |
| 1.3.1 运动目标检测 | 第12页 |
| 1.3.2 目标识别技术 | 第12-13页 |
| 1.3.3 目标跟踪技术 | 第13-15页 |
| 1.4 OpenCV库简介 | 第15-17页 |
| 1.5 论文的主要工作 | 第17-18页 |
| 第2章 SVM分类器 | 第18-30页 |
| 2.1 SVM介绍 | 第18-22页 |
| 2.1.1 线性支持向量 | 第18-21页 |
| 2.1.2 非线性支持向量 | 第21-22页 |
| 2.2 图像及图像特征的提取 | 第22-24页 |
| 2.2.1 样本图像的选取 | 第22-23页 |
| 2.2.2 图像特征的提取 | 第23-24页 |
| 2.3 PCA降维 | 第24-27页 |
| 2.3.1 PCA原理 | 第24-26页 |
| 2.3.2 主成分个数的确定 | 第26-27页 |
| 2.4 SVM分类器训练 | 第27-30页 |
| 第3章 运动检测与目标识别 | 第30-38页 |
| 3.1 背景消减法 | 第30-31页 |
| 3.2 目标轮廓的处理 | 第31-33页 |
| 3.2.1 图像预处理 | 第31-32页 |
| 3.2.2 提取目标轮廓 | 第32-33页 |
| 3.2.3 调整图像大小 | 第33页 |
| 3.3 检测和识别流程 | 第33-35页 |
| 3.4 运动检测和分类器的验证 | 第35-37页 |
| 3.5 对运动目标检测的改进 | 第37-38页 |
| 第4章 人体目标跟踪 | 第38-58页 |
| 4.1 概念介绍 | 第38-42页 |
| 4.1.1 颜色空间 | 第38-40页 |
| 4.1.2 颜色直方图 | 第40-41页 |
| 4.1.3 反向投影图 | 第41-42页 |
| 4.2 Kalman滤波器 | 第42-46页 |
| 4.2.1 Kalman滤波器原理 | 第42-44页 |
| 4.2.2 利用Kalman滤波器预测目标位置 | 第44-46页 |
| 4.3 Camshift算法 | 第46-49页 |
| 4.3.1 Mean Shift原理 | 第46-47页 |
| 4.3.2 Camshift算法实现 | 第47-49页 |
| 4.4 结合Kalman与Camshift的目标跟踪流程 | 第49-50页 |
| 4.5 Kalman预测对Camshift跟踪的影响 | 第50-58页 |
| 4.5.1 微观上对Camshift跟踪优化 | 第51-54页 |
| 4.5.2 宏观上处理一定程度的遮挡 | 第54-58页 |
| 第5章 基于视频流的人群目标识别与跟踪 | 第58-68页 |
| 5.1 识别和跟踪整体框架设计 | 第58-60页 |
| 5.2 检测和识别的封装 | 第60-61页 |
| 5.2.1 运动检测函数GetWindow | 第60-61页 |
| 5.2.2 目标识别函数VerfyDetect | 第61页 |
| 5.3 目标跟踪的封装 | 第61-64页 |
| 5.4 简易图形界面设计 | 第64-65页 |
| 5.5 自动的人群目标识别和跟踪实时性验证 | 第65-68页 |
| 第6章 结论 | 第68-70页 |
| 6.1 本文工作总结 | 第68页 |
| 6.2 存在的不足和改进方案 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |