基于L-GEM径向基函数神经网络的目标检测跟踪算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-24页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 国内外研究现状分析 | 第12-14页 |
| 1.2.2 检测算法研究现状 | 第14-15页 |
| 1.2.3 跟踪算法研究现状 | 第15-18页 |
| 1.3 本文的主要研究工作 | 第18-21页 |
| 1.3.1 研究目标 | 第18-19页 |
| 1.3.2 研究的主要内容 | 第19-21页 |
| 1.3.3 研究的主要创新点 | 第21页 |
| 1.4 本文的组织结构安排 | 第21-22页 |
| 1.5 本章小结 | 第22-24页 |
| 第2章 相关理论知识技术 | 第24-39页 |
| 2.1 图像相关知识 | 第24-36页 |
| 2.1.1 图像预处理 | 第24-29页 |
| 2.1.2 特征描述 | 第29-36页 |
| 2.2 基于L-GEM的RBFNN分类器 | 第36-38页 |
| 2.2.1 径向基函数神经网络 | 第36-37页 |
| 2.2.2 局部泛化误差模型 | 第37-38页 |
| 2.3 本章小结 | 第38-39页 |
| 第3章 基于改进混合高斯模型的运动区域提取 | 第39-51页 |
| 3.1 背景变化对目标检测的影响分析 | 第40页 |
| 3.2 本文解决背景变化的方法 | 第40-45页 |
| 3.2.1 混合高斯背景模型 | 第40-42页 |
| 3.2.2 改进的混合高斯动态背景模型 | 第42-43页 |
| 3.2.3 实验与分析 | 第43-45页 |
| 3.3 运动区域提取过程 | 第45-50页 |
| 3.3.1 视频预处理 | 第45-46页 |
| 3.3.2 背景模型与差分法 | 第46-47页 |
| 3.3.3 平滑化及阈值分割 | 第47-49页 |
| 3.3.4 连通域标记 | 第49-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第4章 基于RBFNN的目标训练与检测 | 第51-63页 |
| 4.1 特征提取 | 第51-55页 |
| 4.1.1 特征选择 | 第52页 |
| 4.1.2 基于HOG的特征提取 | 第52-54页 |
| 4.1.3 基于LBP的特征提取 | 第54-55页 |
| 4.2 基于RBFNN的目标训练和检测 | 第55-60页 |
| 4.2.1 帧图像内样本不平衡问题分析 | 第55-56页 |
| 4.2.2 基于随机敏感度的重抽样解决不平衡问题 | 第56-57页 |
| 4.2.3 目标训练与检测 | 第57-60页 |
| 4.3 实验结果与分析 | 第60-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第5章 运动目标跟踪 | 第63-69页 |
| 5.1 基于Kalman滤波器的目标跟踪 | 第63-66页 |
| 5.1.1 Kalman滤波器的原理 | 第64-65页 |
| 5.1.2 Kalman滤波器在目标跟踪中的应用 | 第65-66页 |
| 5.1.3 本文采用的数据关联算法 | 第66页 |
| 5.2 实验结果与分析 | 第66-68页 |
| 5.3 本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 攻读硕士学位期间主要的研究成果 | 第74-75页 |
| 致谢 | 第75页 |
