| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 目标跟踪算法的研究现状 | 第11页 |
| 1.2.2 云计算的发展及其在多媒体处理的应用现状 | 第11-12页 |
| 1.3 本文主要研究内容及组织结构 | 第12-15页 |
| 1.3.1 本文主要研究内容 | 第12-13页 |
| 1.3.2 本文组织结构 | 第13-15页 |
| 第二章 云计算与粒子滤波目标跟踪技术原理 | 第15-27页 |
| 2.1 Hadoop云平台的核心技术 | 第15-21页 |
| 2.1.1 HDFS文件系统 | 第15-16页 |
| 2.1.2 MapReduce并行编程模型 | 第16-19页 |
| 2.1.3 Hadoop分布式系统中的作业机制 | 第19-21页 |
| 2.2 基于粒子滤波的视频运动目标跟踪技术基本原理 | 第21-25页 |
| 2.2.1 粒子滤波技术概况 | 第21-22页 |
| 2.2.2 贝叶斯状态估计 | 第22-23页 |
| 2.2.3 序贯重要性采样 | 第23-24页 |
| 2.2.4 粒子滤波算法的一般算法流程 | 第24-25页 |
| 2.3 云计算在多媒体处理应用中仍存在的问题 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于Hadoop云平台的视频处理系统的设计与优化 | 第27-46页 |
| 3.1 基于Hadoop云平台的视频处理系统的设计 | 第27-34页 |
| 3.1.1 系统的需求分析和总体设计 | 第27-28页 |
| 3.1.2 基于HDFS分布式文件系统的监控视频数据分帧存储 | 第28-31页 |
| 3.1.3 监控视频数据序列化 | 第31-32页 |
| 3.1.4 视频数据解析为键值对形式 | 第32-33页 |
| 3.1.5 MapReduce的输出结果的数据类型 | 第33-34页 |
| 3.2 基于Hadoop云平台的视频处理系统的优化 | 第34-43页 |
| 3.2.1 Hadoop作业调度介绍 | 第35页 |
| 3.2.2 现有的Hadoop作业调度算法 | 第35-38页 |
| 3.2.3 自适应长度调整的两级对面调度算法设计 | 第38-40页 |
| 3.2.4 自适应调整长度的两级队列调度算法的实现 | 第40-43页 |
| 3.3 实验与分析 | 第43-44页 |
| 3.3.1 实验环境与数据 | 第43页 |
| 3.3.2 实验结果与分析 | 第43-44页 |
| 3.3.3 实验结论 | 第44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 基于Hadoop云平台的运动目标跟踪 | 第46-62页 |
| 4.1 MapReduce计算模型 | 第46页 |
| 4.2 基于颜色特征的粒子滤波目标跟踪算法 | 第46-48页 |
| 4.3 基于颜色特征的粒子滤波目标跟踪并行化算法 | 第48-51页 |
| 4.3.1 粒子滤波目标跟踪算法的并行思想 | 第48-49页 |
| 4.3.2 粒子滤波目标跟踪算法的并行设计与实现 | 第49-51页 |
| 4.4 基于多特征融合的粒子滤波目标跟踪算法 | 第51-55页 |
| 4.5 基于多特征融合的粒子滤波目标跟踪并行化算法 | 第55-58页 |
| 4.5.1 基于多特征在融合的粒子滤波目标跟踪算法并行化思想 | 第55-56页 |
| 4.5.2 基于多特征在融合的粒子滤波目标跟踪算法并行化设计与实现 | 第56-58页 |
| 4.6 实验 | 第58-61页 |
| 4.6.1 实验环境 | 第58页 |
| 4.6.2 并行化算法有效性实验 | 第58-59页 |
| 4.6.3 并行化算法效率实验 | 第59-61页 |
| 4.6.4 集群规模试验 | 第61页 |
| 4.7 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第67-68页 |
| 致谢 | 第68页 |
