| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-21页 |
| 1.1 研究的背景与意义 | 第12-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.3 理论综述 | 第14-19页 |
| 1.3.1 视频检测的理论方法 | 第14-15页 |
| 1.3.2 视频跟踪的理论方法 | 第15-19页 |
| 1.4 研究内容与结构安排 | 第19-21页 |
| 2 行人头部检测与定位方法 | 第21-39页 |
| 2.1 行人头部候选区域确定 | 第21-24页 |
| 2.1.1 颜色检测原理 | 第21-22页 |
| 2.1.2 肤色检测方法 | 第22-23页 |
| 2.1.3 基于混合颜色模型的头部候选区域确定 | 第23-24页 |
| 2.2 行人头部轮廓提取 | 第24-28页 |
| 2.2.1 边缘检测方法 | 第24-25页 |
| 2.2.2 Canny边缘检测 | 第25-28页 |
| 2.3 行人头部定位 | 第28-32页 |
| 2.3.1 Hough变换原理 | 第28-31页 |
| 2.3.2 基于Hough变换的行人头部定位 | 第31-32页 |
| 2.4 行人头部检测与定位实验 | 第32-38页 |
| 2.4.1 单个行人正面头部检测 | 第32-34页 |
| 2.4.2 单个行人侧面检测 | 第34-35页 |
| 2.4.3 多个行人正面检测 | 第35-38页 |
| 2.5 本章小结 | 第38-39页 |
| 3 视频跟踪相关理论介绍 | 第39-51页 |
| 3.1 MeanShift算法 | 第39-45页 |
| 3.1.1 无参数概率密度估计 | 第39-41页 |
| 3.1.2 Mean Shift算法原理 | 第41-45页 |
| 3.2 Kalman滤波 | 第45-50页 |
| 3.2.1 Kalman滤波原理 | 第45-48页 |
| 3.2.2 Kalman滤波计算流程 | 第48-49页 |
| 3.2.3 Kalman滤波实验结果 | 第49-50页 |
| 3.3 本章小结 | 第50-51页 |
| 4 Mean Shift算法在行人跟踪中的应用 | 第51-60页 |
| 4.1 Mean Shift算法跟踪步骤 | 第51-54页 |
| 4.1.1 目标图像的建模 | 第51-52页 |
| 4.1.2 候选目标图像的建模 | 第52-53页 |
| 4.1.3 相似性判断 | 第53页 |
| 4.1.4 目标定位 | 第53-54页 |
| 4.2 Mean Shift算法跟踪流程 | 第54-55页 |
| 4.3 Mean Shift算法行人跟踪实验 | 第55-57页 |
| 4.4 Mean Shift算法的优缺点和改进方法 | 第57-59页 |
| 4.4.1 Mean Shift算法的优缺点 | 第57-58页 |
| 4.4.2 Mean Shift算法的改进方法 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 改进后的Mean Shift行人跟踪算法 | 第60-71页 |
| 5.1 基于行人头部检测的Mean Shift算法 | 第60-63页 |
| 5.1.1 算法的原理和流程 | 第60-61页 |
| 5.1.2 自动选择行人目标实验 | 第61-63页 |
| 5.2 基于Kalman滤波的Mean Shift算法 | 第63-69页 |
| 5.2.1 Bhattacharyya系数判断方法 | 第63-66页 |
| 5.2.2 算法的原理与流程 | 第66-67页 |
| 5.2.3 Kalman滤波参数设定 | 第67-68页 |
| 5.2.4 改进的Mean Shift算法行人跟踪实验 | 第68-69页 |
| 5.3 本章小结 | 第69-71页 |
| 6 总结与展望 | 第71-74页 |
| 6.1 论文完成的主要工作 | 第71-72页 |
| 6.2 论文创新点 | 第72页 |
| 6.3 展望 | 第72-74页 |
| 参考文献 | 第74-77页 |
| 附录A | 第77-88页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第88-90页 |
| 学位论文数据集 | 第90页 |
