智能视频监控平台中运动目标分类的研究与实现
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 运动目标分类算法比较 | 第9-10页 |
| 1.3 国内外研究概况 | 第10-12页 |
| 1.3.1 国外研究现状 | 第10-11页 |
| 1.3.2 国内研究现状 | 第11-12页 |
| 1.4 本文研究内容及论文结构 | 第12-14页 |
| 第二章 相关背景知识介绍 | 第14-24页 |
| 2.1 智能视频监控平台简介 | 第14-21页 |
| 2.1.1 目标检测 | 第15-18页 |
| 2.1.2 目标分类 | 第18页 |
| 2.1.3 目标跟踪 | 第18-20页 |
| 2.1.4 行为理解和分析 | 第20-21页 |
| 2.2 分类器相关知识介绍 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 目标分类的特征提取 | 第24-33页 |
| 3.1 特征提取方法介绍 | 第24-25页 |
| 3.1.1 基于静态特征的分类 | 第24页 |
| 3.1.2 基于动态特征的分类 | 第24-25页 |
| 3.1.3 基于静、动态特征相结合的分类 | 第25页 |
| 3.2 常见的运动目标特征分析 | 第25-27页 |
| 3.2.1 运动目标的通用特征 | 第25-26页 |
| 3.2.2 运动目标的属性特征 | 第26页 |
| 3.2.3 运动目标特征的选取 | 第26-27页 |
| 3.3 Haar-like特征简介 | 第27-29页 |
| 3.4 Haar-like特征的计算—积分图 | 第29-32页 |
| 3.4.1 积分图构建 | 第29-31页 |
| 3.4.2 Haar-like矩形特征拓展 | 第31-32页 |
| 3.5 Haar分类器特征要点 | 第32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 分类器的设计 | 第33-48页 |
| 4.1 概述 | 第33-34页 |
| 4.2 生成模型vs判决模型 | 第34-35页 |
| 4.3 Adaboost算法介绍 | 第35-41页 |
| 4.3.1 Boosting算法 | 第35-37页 |
| 4.3.2 Adaboost算法及分析 | 第37-40页 |
| 4.3.3 多分类Adaboost | 第40-41页 |
| 4.3.4 总结 | 第41页 |
| 4.4 最小最大熵原则 | 第41-42页 |
| 4.5 概率决策树 | 第42-46页 |
| 4.5.1 二分类概率决策树 | 第42-45页 |
| 4.5.2 对PBT的理解 | 第45-46页 |
| 4.5.3 PBT树与现有方法的比较 | 第46页 |
| 4.6 创新点 | 第46-47页 |
| 4.7 本章小结 | 第47-48页 |
| 第五章 实验结果与分析 | 第48-54页 |
| 5.1 基于概率决策树模型的目标分类实现过程 | 第49-50页 |
| 5.2 目标识别实验结果 | 第50-51页 |
| 5.3 与传统Adaboost分类算法的比较 | 第51-53页 |
| 5.4 算法的不足 | 第53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58页 |
