| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-24页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状与存在问题 | 第13-20页 |
| 1.2.1 运动目标检测国内外研究进展 | 第14-18页 |
| 1.2.2 目标跟踪国内外研究进展 | 第18-20页 |
| 1.3 主要研究内容及研究方法 | 第20-22页 |
| 1.4 论文的章节结构与内容安排 | 第22-24页 |
| 2 运动目标检测与跟踪算法的分类比较 | 第24-56页 |
| 2.1 运动目标检测算法分类比较 | 第24-46页 |
| 2.1.1 统计模型运动目标检测算法 | 第27-31页 |
| 2.1.2 子空间学习模型运动目标检测算法 | 第31-34页 |
| 2.1.3 码本模型运动目标检测算法 | 第34-37页 |
| 2.1.4 背景样本集运动目标检测算法 | 第37-41页 |
| 2.1.5 混合模型运动目标检测算法 | 第41页 |
| 2.1.6 运动目标检测算法比较分析 | 第41-43页 |
| 2.1.7 运动目标检测后处理 | 第43-44页 |
| 2.1.8 公共数据集及检测性能评价指标介绍 | 第44-46页 |
| 2.2 目标跟踪算法分类比较 | 第46-54页 |
| 2.2.1 传统目标跟踪算法 | 第46-48页 |
| 2.2.2 压缩跟踪算法 | 第48-50页 |
| 2.2.3 基于时空上下文信息的目标跟踪算法 | 第50-53页 |
| 2.2.4 目标跟踪算法比较分析 | 第53页 |
| 2.2.5 跟踪性能评价指标介绍 | 第53页 |
| 2.2.6 目标跟踪算法发展方向 | 第53-54页 |
| 2.3 本章小结 | 第54-56页 |
| 3 背景样本集运动目标检测算法 | 第56-108页 |
| 3.1 基于知觉启发动态阈值的时空特征背景样本集算法 | 第56-73页 |
| 3.1.1 背景模型的时空特征表示 | 第57-61页 |
| 3.1.2 基于GMM的背景样本集初始化 | 第61-66页 |
| 3.1.3 基于知觉启发的动态阈值 | 第66-71页 |
| 3.1.4 背景模型的更新 | 第71页 |
| 3.1.5 后处理 | 第71-73页 |
| 3.2 实验结果与分析 | 第73-80页 |
| 3.3 基于动态因子自适应参数的时空特征背景样本集算法 | 第80-89页 |
| 3.3.1 背景样本集的时空特征表示及初始化 | 第81-86页 |
| 3.3.2 基于改进动态因子的前景分割及背景更新方法 | 第86-88页 |
| 3.3.3 后处理 | 第88-89页 |
| 3.4 实验结果与分析 | 第89-97页 |
| 3.5 运动目标底点和顶点识别 | 第97-106页 |
| 3.5.1 底点识别 | 第98-103页 |
| 3.5.2 顶点识别 | 第103-106页 |
| 3.6 本章小结 | 第106-108页 |
| 4 运动目标检测与目标跟踪应用于油田企业实际场景 | 第108-116页 |
| 4.1 室外区域入侵检测 | 第108-111页 |
| 4.2 室外采油区域目标跟踪 | 第111-112页 |
| 4.3 办公区域行人目标脚底点和头顶点识别 | 第112-114页 |
| 4.4 本章小结 | 第114-116页 |
| 5 总结与展望 | 第116-118页 |
| 5.1 论文完成工作总结 | 第116-117页 |
| 5.2 未来工作展望 | 第117-118页 |
| 参考文献 | 第118-124页 |
| 附录 | 第124-126页 |
| 作者简介及在学期间发表的学术论文与研究成果 | 第126-127页 |
