| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 E-Learning 概念 | 第10-11页 |
| 1.2 智能教室的概念 | 第11-13页 |
| 1.3 课题的提出与项目背景 | 第13-15页 |
| 1.4 本文的主要工作 | 第15页 |
| 1.5 本文的组织结构 | 第15-17页 |
| 第二章 国内外研究现状及分析 | 第17-24页 |
| 2.1 引言 | 第17页 |
| 2.2 运动目标检测 | 第17-20页 |
| 2.2.1 背景减除法（Background Subtraction ）. | 第18-19页 |
| 2.2.2 时间差分法（Temporal Difference ） | 第19页 |
| 2.2.3 光流法（Optical Flow ） | 第19-20页 |
| 2.3 运动人体分类 | 第20-21页 |
| 2.3.1 基于人体特征的分类方法 | 第20-21页 |
| 2.3.2 基于运动特征的分类方法 | 第21页 |
| 2.4 运动人体跟踪 | 第21-24页 |
| 2.4.1 基于模型的跟踪方法(Model-based Tracking) | 第21-22页 |
| 2.4.2 基于特征的跟踪方法(Feature-based Tracking) | 第22-23页 |
| 2.4.3 基于区域的跟踪方法(Region-based Tracking) | 第23页 |
| 2.4.4 基于轮廓的跟踪方法(Contour-based Tracking) | 第23-24页 |
| 第三章 基于自适应混合高斯模型的背景差分法. | 第24-34页 |
| 3.1 引言 | 第24-25页 |
| 3.2 混合高斯模型 | 第25-27页 |
| 3.3 基于腐蚀区域的噪点去除法 | 第27-28页 |
| 3.4 连通区域标定 | 第28-30页 |
| 3.5 实验结果 | 第30-34页 |
| 第四章 Mean Shift 算法介绍及实现. | 第34-49页 |
| 4.1 引言 | 第34页 |
| 4.2 无参密度估计原理 | 第34-39页 |
| 4.2.1 核概率密度估计方法 | 第35-37页 |
| 4.2.2 常用的核函数 | 第37-39页 |
| 4.3 Mean shift 算法原理 | 第39-41页 |
| 4.4 Mean shift 算法在运动跟踪中的应用 | 第41-45页 |
| 4.4.1 目标模型描述 | 第42-43页 |
| 4.4.2 Bhattacharyya 系数 | 第43-44页 |
| 4.4.3 Mean Shift 算法步骤. | 第44-45页 |
| 4.5 基于Mean Shift 算法的运动跟踪实验及结果 | 第45-49页 |
| 第五章 粒子滤波算法介绍及实现 | 第49-63页 |
| 5.1 引言 | 第49页 |
| 5.2 粒子滤波器基本原理 | 第49页 |
| 5.3 序贯粒子滤波算法 | 第49-53页 |
| 5.4 粒子退化现象 | 第53-54页 |
| 5.5 重要性函数的选取 | 第54-55页 |
| 5.6 重采样原理 | 第55-56页 |
| 5.7 粒子退化处理 | 第56-57页 |
| 5.8 粒子滤波算法的描述 | 第57-58页 |
| 5.9 算法实现及实验 | 第58-63页 |
| 第六章 算法融合设计与实现 | 第63-81页 |
| 6.1 引言 | 第63-64页 |
| 6.2 混合高斯模型背景差分 | 第64-69页 |
| 6.2.1 背景模型初始化 | 第64-66页 |
| 6.2.2 背景差分 | 第66-67页 |
| 6.2.3 去噪处理 | 第67页 |
| 6.2.4 标记连通区域 | 第67-69页 |
| 6.3 粒子滤波与Mean Shift 算法融合. | 第69页 |
| 6.4 基于粒子滤波算法的融合框架 | 第69-74页 |
| 6.4.1 减少粒子滤波算法的粒子数量 | 第71页 |
| 6.4.2 加快粒子聚集速度 | 第71-72页 |
| 6.4.3 降低采样粒子参数计算复杂度 | 第72-74页 |
| 6.5 系统设计 | 第74-76页 |
| 6.6 实验结果 | 第76-81页 |
| 第七章 总结与展望 | 第81-83页 |
| 7.1 本文的主要工作 | 第81-82页 |
| 7.2 有待进一步解决的问题 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87-88页 |
| 攻读硕士期间发表的学术论文及参与的项目 | 第88页 |
