| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第14-30页 |
| 1.1 课题研究背景和意义 | 第14-15页 |
| 1.2 视频监控系统的发展概述 | 第15-16页 |
| 1.2.1 智能交通系统方向的发展 | 第15页 |
| 1.2.2 视频安全监控应用方向的发展 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-26页 |
| 1.3.1 目标检测研究现状 | 第17-21页 |
| 1.3.2 目标跟踪研究现状 | 第21-25页 |
| 1.3.3 目标行为分析研究现状 | 第25-26页 |
| 1.4 论文主要研究内容 | 第26-28页 |
| 1.5 论文的组织结构及章节安排 | 第28-30页 |
| 第2章 基于水平集的几何活动轮廓模型的图像分割 | 第30-46页 |
| 2.1 引言 | 第30-31页 |
| 2.2 曲线演化理论 | 第31-33页 |
| 2.3 水平集方法 | 第33-36页 |
| 2.3.1 水平集方法介绍 | 第33-35页 |
| 2.3.2 水平集方法的数值求解 | 第35-36页 |
| 2.4 活动轮廓模型(ACM) | 第36-38页 |
| 2.4.1 参数活动轮廓模型 | 第36-38页 |
| 2.4.2 几何活动轮廓模型 | 第38页 |
| 2.5 几何活动轮廓模型的经典算法 | 第38-44页 |
| 2.5.1 GAC模型 | 第39-41页 |
| 2.5.2 CV模型 | 第41-43页 |
| 2.5.3 Li方法 | 第43-44页 |
| 2.6 本章小结 | 第44-46页 |
| 第3章 基于几何活动轮廓模型的运动目标时空联合检测研究 | 第46-72页 |
| 3.1 引言 | 第46页 |
| 3.2 运动目标检测算法分析 | 第46-51页 |
| 3.2.1 光流法 | 第47-48页 |
| 3.2.2 帧差法 | 第48-49页 |
| 3.2.3 背景差分法 | 第49-51页 |
| 3.2.4 活动轮廓模型 | 第51页 |
| 3.3 基于背景差的时间分割 | 第51-57页 |
| 3.3.1 混合高斯模型背景建模及更新 | 第51-53页 |
| 3.3.2 运动区域提取 | 第53-55页 |
| 3.3.3 实验结果与分析 | 第55-57页 |
| 3.4 基于边界的二值化水平集函数+高斯平滑运动目标检测 | 第57-62页 |
| 3.4.1 二值化水平集基本原理 | 第58-60页 |
| 3.4.2 实验结果与分析 | 第60-62页 |
| 3.5 改进变分GAC矢量模型运动目标检测 | 第62-71页 |
| 3.5.1 基本原理 | 第62-64页 |
| 3.5.2 DRLSE模型介绍 | 第64-65页 |
| 3.5.3 改进模型分析和实现 | 第65-66页 |
| 3.5.4 实验结果与分析 | 第66-71页 |
| 3.6 本章小结 | 第71-72页 |
| 第4章 基于卡尔曼滤波的运动目标线性跟踪研究 | 第72-86页 |
| 4.1 引言 | 第72页 |
| 4.2 典型运动目标跟踪算法 | 第72-75页 |
| 4.2.1 基于滤波理论的目标跟踪方法 | 第72-74页 |
| 4.2.2 基于Mean Shift的目标跟踪方法 | 第74-75页 |
| 4.2.3 基于偏微分方程的目标跟踪方法 | 第75页 |
| 4.3 基于Kalman滤波与几何活动轮廓模型的目标跟踪算法 | 第75-85页 |
| 4.3.1 Kalman滤波运动目标跟踪原理 | 第76-78页 |
| 4.3.2 基于GAC模型的Kalman滤波参数分析 | 第78-80页 |
| 4.3.3 特征提取与运动目标匹配 | 第80-81页 |
| 4.3.4 跟踪过程 | 第81-82页 |
| 4.3.5 实验结果与分析 | 第82-85页 |
| 4.4 本章小结 | 第85-86页 |
| 第5章 基于高斯粒子滤波运动目标非线性跟踪研究 | 第86-100页 |
| 5.1 引言 | 第86-87页 |
| 5.2 改进的水平集方法 | 第87-93页 |
| 5.2.1 改进分析与数值实现 | 第87-89页 |
| 5.2.2 实验结果与分析 | 第89-93页 |
| 5.3 高斯粒子滤波框架下的目标跟踪算法 | 第93-96页 |
| 5.3.1 高斯粒子滤波原理 | 第93-94页 |
| 5.3.2 运动目标区域的跟踪 | 第94-95页 |
| 5.3.3 基于水平集的目标轮廓跟踪算法实现 | 第95-96页 |
| 5.4 实验结果与分析 | 第96-99页 |
| 5.5 本章小结 | 第99-100页 |
| 第6章 视频目标的行为识别 | 第100-116页 |
| 6.1 引言 | 第100页 |
| 6.2 常见的行为识别方法 | 第100-102页 |
| 6.2.1 动态时间规整(DTW)方法 | 第101页 |
| 6.2.2 神经网络方法 | 第101-102页 |
| 6.2.3 隐马尔科夫模型(HMM)方法 | 第102页 |
| 6.3 基于HMM的异常行为检测 | 第102-114页 |
| 6.3.1 HMM定义和原理 | 第104-105页 |
| 6.3.2 HMM的三个基本问题及解决 | 第105-109页 |
| 6.3.3 多特征提取 | 第109-111页 |
| 6.3.4 目标行为识别 | 第111-112页 |
| 6.3.5 实验结果 | 第112-114页 |
| 6.4 本章小结 | 第114-116页 |
| 第7章 总结与展望 | 第116-120页 |
| 7.1 本文研究内容总结 | 第116-118页 |
| 7.2 今后研究工作展望 | 第118-120页 |
| 参考文献 | 第120-130页 |
| 致谢 | 第130-132页 |
| 攻读博士期间发表的论文 | 第132-134页 |
| 一. 攻读博士学位期间发表的主要论文 | 第132-133页 |
| 二. 攻读博士学位期间参加的主要科研项目 | 第133页 |
| 三. 攻读博士期间获得的奖励 | 第133-134页 |
| 作者简介 | 第134页 |
