| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 运动目标检测 | 第11-12页 |
| 1.2.2 运动目标跟踪 | 第12-13页 |
| 1.3 论文的主要工作 | 第13-14页 |
| 笫2章 运动目标检测算法研究 | 第14-29页 |
| 2.1 图像处理基础知识 | 第14-18页 |
| 2.1.1 平滑处理 | 第14-15页 |
| 2.1.2 边缘检测 | 第15-16页 |
| 2.1.3 数学形态学处理 | 第16-18页 |
| 2.2 光流法 | 第18-20页 |
| 2.2.1 Horn-Schunck光流算法 | 第18-19页 |
| 2.2.2 Lucas-Kanade局部平滑光流算法 | 第19-20页 |
| 2.3 帧间差分法 | 第20-22页 |
| 2.3.1 简单帧差法 | 第20页 |
| 2.3.2 三帧差分法 | 第20-22页 |
| 2.4 背景差分法 | 第22-28页 |
| 2.4.1 混合高斯背景建模 | 第23-25页 |
| 2.4.2 码本模型建模 | 第25-26页 |
| 2.4.3 VIBE背景建模 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 改进的Vibe背景模型运动目标检测算法 | 第29-43页 |
| 3.1 Vibe算法的优缺点分析 | 第29-30页 |
| 3.2 融合帧差法的改进Vibe算法——IDVibe算法 | 第30-37页 |
| 3.2.1 模型建立与初始化 | 第30-31页 |
| 3.2.2 模型匹配 | 第31-33页 |
| 3.2.3 动态更新 | 第33-35页 |
| 3.2.4 前景分割 | 第35-37页 |
| 3.3 实验仿真及分析 | 第37-42页 |
| 3.4 本章小结 | 第42-43页 |
| 笫4章 运动目标跟踪算法研究 | 第43-52页 |
| 4.1 基于卡尔曼（Kalman）滤波的目标跟踪算法 | 第43-45页 |
| 4.1.1 Kalman滤波原理 | 第43-44页 |
| 4.1.2 卡尔曼滤波跟踪的主要步骤 | 第44页 |
| 4.1.3 卡尔曼滤波的优缺点 | 第44-45页 |
| 4.2 基于均值漂移（Mean shift）的目标跟踪算法 | 第45-48页 |
| 4.2.1 Mean shift的基本原理 | 第45-46页 |
| 4.2.2 Mean shift的形式 | 第46-47页 |
| 4.2.3 Mean shift算法的优缺点 | 第47-48页 |
| 4.3 基于粒子滤波的目标跟踪算法 | 第48-51页 |
| 4.3.1 贝叶斯滤波原理 | 第48-49页 |
| 4.3.2 序贯重要性采样 | 第49-50页 |
| 4.3.3 重采样 | 第50页 |
| 4.3.4 粒子滤波算法步骤 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 融合粒子滤波和Mean shift的改进目标跟踪算法 | 第52-63页 |
| 5.1 基于多特征融合的粒子滤波目标跟踪 | 第52-57页 |
| 5.1.1 状态转移模型 | 第52-53页 |
| 5.1.2 目标观测模型 | 第53-55页 |
| 5.1.3 相似性度量 | 第55-56页 |
| 5.1.4 多特征融合模型 | 第56页 |
| 5.1.5 多特征融合的粒子滤波跟踪算法流程 | 第56-57页 |
| 5.2 改进的融合多特征与Mean shift的粒子滤波跟踪算法 | 第57-59页 |
| 5.2.1 粒子滤波与均值偏移算法融合 | 第57页 |
| 5.2.2 多特征融合与Mean Shift的粒子滤波跟踪算法 | 第57-59页 |
| 5.3 实验结果与分析 | 第59-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
