| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状及趋势 | 第10-11页 |
| 1.3 论文主要工作和结构安排 | 第11-13页 |
| 1.3.1 论文主要内容 | 第11页 |
| 1.3.2 论文结构安排 | 第11-13页 |
| 第二章 视频智能分析的关键技术 | 第13-24页 |
| 2.1 背景建模技术 | 第13-15页 |
| 2.1.1 背景建模的典型算法 | 第13-14页 |
| 2.1.2 背景建模的关键技术及研究难点 | 第14-15页 |
| 2.2 运动目标检测技术概述 | 第15-17页 |
| 2.2.1 运动目标检测简介 | 第15页 |
| 2.2.2 运动目标检测典型算法 | 第15-17页 |
| 2.3 运动目标跟踪算法概述 | 第17-23页 |
| 2.3.1 运动目标跟踪简介 | 第17-18页 |
| 2.3.2 运动目标跟踪的典型算法 | 第18-22页 |
| 2.3.3 运动目标跟踪难点问题 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 视频背景建模技术 | 第24-35页 |
| 3.1 基于混合高斯模型的背景建模 | 第24-29页 |
| 3.1.1 EM算法原理 | 第24-25页 |
| 3.1.2 单高斯背景模型 | 第25-26页 |
| 3.1.3 混合高斯背景模型 | 第26-29页 |
| 3.2 基于Codebook模型的背景建模 | 第29-31页 |
| 3.3 实验结果与分析 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 运动目标检测及跟踪技术 | 第35-49页 |
| 4.1 基于背景建模的运动目标检测 | 第35-38页 |
| 4.1.1 基于混合高斯的运动目标检测 | 第35-36页 |
| 4.1.2 基于改进的Codebook前景检测算法 | 第36-38页 |
| 4.2 基于Camshift的运动目标跟踪算法 | 第38-43页 |
| 4.2.1 RGB与HSV颜色模型 | 第39-40页 |
| 4.2.2 Camshift目标跟踪算法 | 第40-43页 |
| 4.3 基于Kalman滤波器和Blob信息的运动目标跟踪算法 | 第43-48页 |
| 4.3.1 Kalman滤波器的原理和流程 | 第43页 |
| 4.3.2 Blob信息提取 | 第43-44页 |
| 4.3.3 基于Kalman滤波器和Blob匹配法的运动目标跟踪算法 | 第44-45页 |
| 4.3.4 实验结果与分析 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 视频智能行为分析技术应用 | 第49-64页 |
| 5.1 行人检测技术的实现 | 第49-58页 |
| 5.1.1 行人检测存在的难点 | 第49-50页 |
| 5.1.2 行人检测的常用方法 | 第50-52页 |
| 5.1.3 基于HOG特征和SVM的行人检测 | 第52-56页 |
| 5.1.4 实验结果与分析 | 第56-58页 |
| 5.2 遗留物检测技术的实现 | 第58-63页 |
| 5.2.1 遗留物检测算法设计 | 第58-60页 |
| 5.2.2 基于双背景的遗留物检测算法 | 第60-61页 |
| 5.2.3 实验结果与分析 | 第61-63页 |
| 5.3 本章小结 | 第63-64页 |
| 第六章 视频智能行为分析系统的设计与实现 | 第64-70页 |
| 6.1 系统综述 | 第64-65页 |
| 6.1.1 系统环境 | 第64-65页 |
| 6.1.2 体系结构 | 第65页 |
| 6.2 软件设计 | 第65-68页 |
| 6.2.1 背景建模模块设计 | 第65-66页 |
| 6.2.2 运动目标检测和跟踪模块设计 | 第66页 |
| 6.2.3 行人检测模块设计 | 第66-67页 |
| 6.2.4 遗留物检测模块设计 | 第67页 |
| 6.2.5 图形界面模块设计 | 第67-68页 |
| 6.3 软件实现 | 第68-69页 |
| 6.4 本章小结 | 第69-70页 |
| 第七章 总结与展望 | 第70-72页 |
| 7.1 论文总结 | 第70页 |
| 7.2 工作展望 | 第70-72页 |
| 参考文献 | 第72-74页 |
| 附录4 攻读硕士学位期间参加的科研项目 | 第74-75页 |
| 致谢 | 第75页 |
