| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题的研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状及面临问题 | 第12-15页 |
| 1.2.1 国内外研究现状 | 第12-15页 |
| 1.2.2 研究面临的问题 | 第15页 |
| 1.3 本文的研究内容和工作安排 | 第15-18页 |
| 第2章 基于对称差分和混合高斯模型的运动目标检测 | 第18-32页 |
| 2.1 图像预处理 | 第18-20页 |
| 2.1.1 图像的灰度化处理 | 第18-19页 |
| 2.1.2 视频图像的去噪处理 | 第19-20页 |
| 2.2 运动目标的基本检测算法 | 第20-23页 |
| 2.2.1 帧间差分法 | 第20-21页 |
| 2.2.2 背景消除法 | 第21-22页 |
| 2.2.3 光流法 | 第22-23页 |
| 2.3 融合对称差分与混合高斯模型的检测算法 | 第23-28页 |
| 2.3.1 对称帧间差分法 | 第23-24页 |
| 2.3.2 基于混合高斯模型的背景消除法 | 第24-26页 |
| 2.3.3 获取二值图像 | 第26-28页 |
| 2.4 数学形态学处理 | 第28-29页 |
| 2.5 实验结果与算法评价 | 第29-32页 |
| 第3章 基于传统 Camshift 算法的运动目标跟踪 | 第32-46页 |
| 3.1 运动目标跟踪方法介绍 | 第32-34页 |
| 3.1.1 基于目标轮廓的跟踪算法 | 第32页 |
| 3.1.2 基于核密度估计的跟踪算法 | 第32-33页 |
| 3.1.3 基于特征点匹配的跟踪算法 | 第33-34页 |
| 3.2 Mean-shift 目标跟踪算法 | 第34-40页 |
| 3.2.1 Mean-shift（均值偏移）理论 | 第34-36页 |
| 3.2.2 Mean-shift 目标跟踪算法 | 第36-40页 |
| 3.3 Camshift 目标跟踪算法 | 第40-42页 |
| 3.4 实验结果 | 第42-46页 |
| 第4章 基于改进 Camshift 算法的运动目标跟踪 | 第46-64页 |
| 4.1 基于 Kalman 滤波的 Camshift 目标跟踪算法 | 第46-51页 |
| 4.1.1 卡尔曼滤波算法 | 第46-48页 |
| 4.1.2 结合 Kalman 滤波的 Camshift 目标跟踪算法 | 第48-49页 |
| 4.1.3 实验结果与算法评价 | 第49-51页 |
| 4.2 基于 SURF 的 Camshif 运动目标跟踪算法 | 第51-64页 |
| 4.2.1 SURF 算法原理 | 第51-58页 |
| 4.2.2 结合 SURF 特征匹配的 Camshift 目标跟踪算法 | 第58-60页 |
| 4.2.3 实验结果与算法评价 | 第60-64页 |
| 第5章 基于支持向量机的运动目标识别 | 第64-72页 |
| 5.1 支持向量机分类器 | 第64-67页 |
| 5.1.1 支持向量机基本原理 | 第64-67页 |
| 5.1.2 支持向量机的特点 | 第67页 |
| 5.2 基于支持向量机的对象分类识别 | 第67-69页 |
| 5.2.1 提取运动目标的特征向量 | 第67-68页 |
| 5.2.2 利用支持向量机实现行人与车量的分类识别 | 第68-69页 |
| 5.3 实验结果 | 第69-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 6.1 本文工作总结 | 第72-73页 |
| 6.2 未来工作展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 作者简介 | 第80页 |
