| 摘要 | 第1-7页 |
| ABSTRACT（英文摘要） | 第7-13页 |
| 第一章 绪论 | 第13-28页 |
| ·研究背景 | 第13-14页 |
| ·人体检测和跟踪过程的相关工作 | 第14-25页 |
| ·人体检测 | 第14-17页 |
| ·背景差 | 第14页 |
| ·帧差 | 第14-15页 |
| ·光流法 | 第15页 |
| ·模板匹配 | 第15-16页 |
| ·基于统计学习的人体检测 | 第16-17页 |
| ·人体跟踪 | 第17-24页 |
| ·单目标跟踪过程结构 | 第18-19页 |
| ·单视点多目标跟踪技术现状 | 第19-20页 |
| ·多视点多目标跟踪技术现状 | 第20-21页 |
| ·滤波方法 | 第21-22页 |
| ·数据关联方法 | 第22-24页 |
| ·问题与不足 | 第24-25页 |
| ·人体检测中的问题与不足 | 第24页 |
| ·人体跟踪中的问题与不足 | 第24-25页 |
| ·本文的主要研究内容及创新点 | 第25-27页 |
| ·本文的章节安排 | 第27-28页 |
| 第二章 静止摄像机情况下的自然场景中的行人检测方法 | 第28-39页 |
| ·背景介绍 | 第28-29页 |
| ·基本概念 | 第29-31页 |
| ·基于Look-Up Table(LUT) 的Gentle AdaBoost 原理 | 第29-30页 |
| ·Nested Cascade原理 | 第30-31页 |
| ·行人检测的特征集 | 第31-34页 |
| ·局部边方向直方图特征 | 第32-33页 |
| ·扩展Haar-like 特征 | 第33页 |
| ·AdaBoost的滤波器 | 第33-34页 |
| ·训练过程和AdaBoost级联结构 | 第34-36页 |
| ·实验结果及分析 | 第36-37页 |
| ·本章小结 | 第37-39页 |
| 第三章 移动摄像机情况下的行人检测技术 | 第39-64页 |
| ·背景介绍 | 第39-40页 |
| ·基本概念 | 第40-43页 |
| ·支持向量机原理 | 第40-42页 |
| ·Soft Cascad原理 | 第42-43页 |
| ·基于特征变换和支持向量机的分级行人检测方法 | 第43-54页 |
| ·分级行人检测方法 | 第44-47页 |
| ·粗级行人检测器 | 第44-45页 |
| ·基于特征变换和SVM的行人检测器 | 第45-47页 |
| ·基于颜色和空间信息的时序分析 | 第47-50页 |
| ·基于颜色的相似测度 | 第49页 |
| ·基于空间信息的相似测度 | 第49-50页 |
| ·实验结果及分析 | 第50-54页 |
| ·一种新的基于部位的行人检测系统 | 第54-62页 |
| ·系统结构概述 | 第54-55页 |
| ·Edgelet特征集 | 第55页 |
| ·行人检测算法 | 第55-57页 |
| ·多个部位检测器的结合策略 | 第57-59页 |
| ·实验结果及分析 | 第59-62页 |
| ·本章小结 | 第62-64页 |
| 第四章 静止摄像机情况下的基于3D特征点的人群跟踪算法 | 第64-86页 |
| ·背景介绍 | 第64-65页 |
| ·基本概念 | 第65-68页 |
| ·交互多模型（Interacting Multiple Model: IMM） | 第65-67页 |
| ·多假设跟踪(MHT)方法 | 第67-68页 |
| ·基于IMM和级联数据关联的可变数目的三维人体跟踪 | 第68-78页 |
| ·两阶段的3D特征点分组算法 | 第68-70页 |
| ·基于3D特征的可变数目的人群跟踪算法 | 第70-75页 |
| ·基于自适应卡尔曼滤波的IMM跟踪算法 | 第71-73页 |
| ·级联多信息数据关联算法 | 第73-75页 |
| ·实验结果及分析 | 第75-78页 |
| ·基于IMM和多假设跟踪的可变数目的三维人体跟踪算法 | 第78-83页 |
| ·基于MHT数据关联 | 第78-82页 |
| ·关联门限的设置 | 第79-81页 |
| ·人体轨迹的置信度及轨迹的确定 | 第81页 |
| ·假设的生成 | 第81-82页 |
| ·实验结果及分析 | 第82-83页 |
| ·本章小结 | 第83-86页 |
| 第五章 移动摄像机情况下的基于MCMC和MHT的行人跟踪 | 第86-106页 |
| ·背景介绍 | 第86-87页 |
| ·基本概念 | 第87页 |
| ·面向梯度的直方图 | 第87页 |
| ·行人跟踪系统概述 | 第87-88页 |
| ·行人检测方法 | 第88-91页 |
| ·基于运动信息的行人检测器 | 第88-91页 |
| ·行人跟踪方法 | 第91-100页 |
| ·颜色－空间直方图 | 第91-92页 |
| ·基于KPF和MCMC的行人跟踪 | 第92-96页 |
| ·Kalman Particle Filter | 第93-95页 |
| ·Markov Chain Monte Carlo | 第95-96页 |
| ·基于MHT的数据关联 | 第96-100页 |
| ·行人表示 | 第97-98页 |
| ·轨迹的产生和结束 | 第98页 |
| ·假设的生成 | 第98-99页 |
| ·假设的管理 | 第99-100页 |
| ·异常情况处理 | 第100页 |
| ·行人模型更新 | 第100页 |
| ·实验结果及分析 | 第100-102页 |
| ·训练和测试数据 | 第100-101页 |
| ·性能评价指标 | 第101页 |
| ·测试结果 | 第101-102页 |
| ·本章小结 | 第102-106页 |
| 第六章 总结与展望 | 第106-110页 |
| ·回顾与总结 | 第106-108页 |
| ·未来工作展望 | 第108-110页 |
| ·结合运动信息的人体检测 | 第108页 |
| ·拥挤环境中的人体检测 | 第108页 |
| ·基于视觉神经机理的人体检测技术研究 | 第108-109页 |
| ·基于存储器的多摄像机多目标跟踪 | 第109页 |
| ·下一代计算机视觉系统的研究 | 第109-110页 |
| 参考文献 | 第110-119页 |
| 致谢 | 第119-120页 |
| 在学期间发表的论文及参加的项目 | 第120-121页 |
