| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与研究意义 | 第9-10页 |
| 1.2 论文主要研究内容 | 第10-12页 |
| 1.2.1 运动目标前景检测 | 第10-11页 |
| 1.2.2 运动目标分类 | 第11页 |
| 1.2.3 视频监控的检索 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.3.1 智能视频监控系统 | 第12-13页 |
| 1.3.2 监控视频的检索 | 第13-14页 |
| 1.4 论文章节安排 | 第14-16页 |
| 第二章 固定场景下运动目标前景检测技术 | 第16-33页 |
| 2.1 光流法 | 第16-17页 |
| 2.2 帧差法 | 第17-19页 |
| 2.3 背景差分法 | 第19-27页 |
| 2.4 前景目标的提取 | 第27-32页 |
| 2.4.1 图像二值化与形态学处理 | 第28-31页 |
| 2.4.2 连通域的标识和分析 | 第31页 |
| 2.4.3 团块的合并与整理 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 运动目标特征的选取 | 第33-42页 |
| 3.1 常用于运动目标分类的特征 | 第33-36页 |
| 3.1.1 基于静态特征的目标分类 | 第33-34页 |
| 3.1.2 基于运动特征的目标分类 | 第34-36页 |
| 3.1.3 静态特征与运动特征相结合的运动目标分类 | 第36页 |
| 3.2 本文采用的基于形状特征的目标分类 | 第36-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第四章 基于SVM的运动目标分类 | 第42-55页 |
| 4.1 支持向量机理论 | 第44-49页 |
| 4.1.1 传统学习理论 | 第44-45页 |
| 4.1.2 支持向量机理论及其涉及内容 | 第45-49页 |
| 4.2 基于SVM的运动目标分类 | 第49-52页 |
| 4.2.1 多类别SVM | 第49-51页 |
| 4.2.2 基于SVM的分类实现 | 第51-52页 |
| 4.3 实验结果与分析 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 基于运动目标分类的智能视频监控检索系统 | 第55-66页 |
| 5.1 智能视频监控检索系统概述 | 第55-58页 |
| 5.2 系统介绍 | 第58-60页 |
| 5.3 视频监控检索系统实现 | 第60-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73-74页 |
| 作者攻读硕士学位期间取得的学术成果 | 第74页 |