| 致谢 | 第1-4页 |
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 前言 | 第9-16页 |
| ·课题背景与意义 | 第9-10页 |
| ·国内外研究现状 | 第10-14页 |
| ·运动目标检测 | 第10-11页 |
| ·单目摄像机人体跟踪 | 第11-12页 |
| ·人脸检测与定位 | 第12-13页 |
| ·摄像机网络中的人体跟踪 | 第13-14页 |
| ·主要研究内容 | 第14-16页 |
| 第2章 运动目标检测 | 第16-28页 |
| ·图像预处理 | 第17-18页 |
| ·静态场景下的运动目标检测 | 第18-20页 |
| ·单高斯背景消减 | 第18-19页 |
| ·主元分析背景模型 | 第19-20页 |
| ·试验比较 | 第20页 |
| ·动态场景下的运动目标检测 | 第20-24页 |
| ·核密度估计 | 第21-22页 |
| ·混和高斯背景建模 | 第22-23页 |
| ·试验比较 | 第23-24页 |
| ·运动阴影减除 | 第24-27页 |
| ·失真模型 | 第25页 |
| ·阴影消减 | 第25-26页 |
| ·参数值设定与试验结果 | 第26-27页 |
| ·小结 | 第27-28页 |
| 第3章 单目摄像机内的目标跟踪 | 第28-45页 |
| ·基于连通区域分析的块跟踪 | 第28-33页 |
| ·连通区域分析 | 第28-29页 |
| ·Kalman跟踪器 | 第29-30页 |
| ·连通区域跟踪算法 | 第30-33页 |
| ·基于Mean Shift的目标跟踪 | 第33-38页 |
| ·Mean Shift的基本理论 | 第33-36页 |
| ·基本Mean Shift定义 | 第33页 |
| ·扩展的Mean Shift | 第33-36页 |
| ·基于颜色直方图的Mean Shift目标跟踪 | 第36-38页 |
| ·基于粒子滤波器的目标跟踪 | 第38-42页 |
| ·粒子滤波器基本理论 | 第38-40页 |
| ·基于颜色直方图的粒子滤波器目标跟踪 | 第40-42页 |
| ·改进的目标跟踪算法 | 第42-44页 |
| ·算法描述 | 第42-43页 |
| ·试验结果 | 第43-44页 |
| ·小结 | 第44-45页 |
| 第4章 基于局部信息的人脸检测 | 第45-54页 |
| ·Harr矩形特征与积分图 | 第45-47页 |
| ·Harr矩形特征 | 第45-46页 |
| ·积分图 | 第46-47页 |
| ·AdaBoost级联滤波器 | 第47-50页 |
| ·级联分类器的构成 | 第47页 |
| ·弱分类器 | 第47-49页 |
| ·强分类器 | 第49-50页 |
| ·基于局部信息的人脸检测 | 第50-52页 |
| ·试验结果 | 第52-53页 |
| ·小结 | 第53-54页 |
| 第5章 摄像机网络中的人体跟踪 | 第54-63页 |
| ·基于Gabor特征和EigenFace方法的人脸识别 | 第55-58页 |
| ·Gabor小波基 | 第55-57页 |
| ·基于Eigen face方法的降维以及判决分析 | 第57-58页 |
| ·基于外观模型的人体识别 | 第58-60页 |
| ·特征提取 | 第58页 |
| ·相似度计算 | 第58-59页 |
| ·CMC性能比较 | 第59-60页 |
| ·基于SVM分类器的数据融合 | 第60-62页 |
| ·SCM基本理论 | 第60-61页 |
| ·人体特征融合 | 第61-62页 |
| ·小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读学位期间参加的科研项目与发表的学术论文 | 第69页 |