智能监控系统中运动目标检测跟踪的研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 引言 | 第11-17页 |
| ·选题意义与背景 | 第11-12页 |
| ·研究现状 | 第12-13页 |
| ·存在的主要问题 | 第13-14页 |
| ·论文的主要工作和章节安排 | 第14-15页 |
| ·本章小结 | 第15-17页 |
| 2 智能视频监控系统综述 | 第17-35页 |
| ·智能视频监控系统 | 第17-21页 |
| ·视频监控系统的发展 | 第17-18页 |
| ·传统视频监控的不足 | 第18-19页 |
| ·智能监控系统的应用前景 | 第19-20页 |
| ·智能监控系统的结构框架 | 第20-21页 |
| ·运动目标检测 | 第21-25页 |
| ·运动目标检测综述 | 第21-22页 |
| ·运动目标检测算法的分类 | 第22-25页 |
| ·目标特征提取 | 第25-26页 |
| ·运动目标跟踪 | 第26-33页 |
| ·多目标跟踪的原理框架 | 第27页 |
| ·运动目标跟踪问题的分类 | 第27-29页 |
| ·视频目标跟踪技术分类及研究现状 | 第29-30页 |
| ·跟踪问题的难点与展望 | 第30-33页 |
| ·目标的遮挡问题 | 第30-31页 |
| ·算法的性能评估 | 第31-32页 |
| ·目标跟踪技术展望 | 第32-33页 |
| ·本章小结 | 第33-35页 |
| 3 运动目标检测和特征提取研究 | 第35-43页 |
| ·基于MHI帧差更新的运动目标检测 | 第35-39页 |
| ·帧差法 | 第35-36页 |
| ·基于MHI帧差更新的运动目标检测算法原理 | 第36-37页 |
| ·实验结果与分析 | 第37-39页 |
| ·运动目标特征提取 | 第39-41页 |
| ·目标几何特征 | 第39页 |
| ·颜色直方图特征 | 第39-41页 |
| ·本章小结 | 第41-43页 |
| 4 基于卡尔曼滤波的多目标跟踪算法研究 | 第43-61页 |
| ·卡尔曼滤波器 | 第43-46页 |
| ·卡尔曼滤波器的原理 | 第43-46页 |
| ·卡尔曼滤波器的优点 | 第46页 |
| ·基于卡尔曼滤波器的目标跟踪 | 第46-51页 |
| ·跟踪特征的选择和计算 | 第47页 |
| ·运动估计模型 | 第47-48页 |
| ·目标特征匹配 | 第48-49页 |
| ·模型更新 | 第49页 |
| ·算法步骤及其他说明 | 第49-51页 |
| ·算法改进及遮挡分裂处理 | 第51-56页 |
| ·多目标跟踪中遮挡和分裂的处理 | 第52-53页 |
| ·跟踪矩阵 | 第53-55页 |
| ·遮挡和分裂处理 | 第55页 |
| ·改进后的算法流程图 | 第55-56页 |
| ·实验结果和讨论 | 第56-59页 |
| ·无遮挡情况下的跟踪效果 | 第57页 |
| ·目标快速出入情况下的跟踪效果 | 第57-58页 |
| ·有遮挡分裂下的跟踪效果 | 第58-59页 |
| ·本章小结 | 第59-61页 |
| 5 基于粒子滤波的多目标跟踪算法研究 | 第61-81页 |
| ·粒子滤波器的原理 | 第62-66页 |
| ·蒙特卡罗方法 | 第62-65页 |
| ·贝叶斯重要性采样 | 第65-66页 |
| ·粒子滤波算法在目标跟踪中的应用 | 第66-73页 |
| ·粒子滤波的状态和动态模型 | 第67-68页 |
| ·粒子的初始化 | 第68页 |
| ·目标模型的学习和权值评价 | 第68-70页 |
| ·粒子的重采样 | 第70-72页 |
| ·粒子更新 | 第72页 |
| ·状态估计 | 第72-73页 |
| ·实验结果及讨论 | 第73-78页 |
| ·普通户外场景下的多目标跟踪 | 第73-74页 |
| ·复杂背景下的跟踪效果 | 第74-75页 |
| ·运动目标速度和方向发生突变时的跟踪效果 | 第75-76页 |
| ·多交叉遮挡情况下的跟踪效果 | 第76-78页 |
| ·两种跟踪算法的对比讨论 | 第78-79页 |
| ·本章小结 | 第79-81页 |
| 6 视频监控系统的设计与实现 | 第81-87页 |
| ·视频监控系统的设计 | 第81-83页 |
| ·视频监控系统的实现 | 第83-87页 |
| 7 结论 | 第87-89页 |
| 参考文献 | 第89-93页 |
| 作者简历 | 第93-97页 |
| 学位论文数据集 | 第97页 |
