| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 解决问题和内容安排 | 第12-16页 |
| 1.3.1 现有算法存在问题 | 第12-13页 |
| 1.3.2 改进创新 | 第13-14页 |
| 1.3.3 内容安排 | 第14-16页 |
| 第二章 基于背景差分的帧间运动检测算法 | 第16-28页 |
| 2.1 背景差分法 | 第16-20页 |
| 2.1.1 背景差分算法流程 | 第16-18页 |
| 2.1.2 GMM混合高斯模型 | 第18-19页 |
| 2.1.3 GMM算法流程 | 第19-20页 |
| 2.2 自适应二值化 | 第20-21页 |
| 2.3 形态学处理 | 第21-24页 |
| 2.3.1 腐蚀运算 | 第21-22页 |
| 2.3.2 膨胀运算 | 第22-23页 |
| 2.3.3 开运算与闭运算 | 第23页 |
| 2.3.4 形态学处理策略 | 第23-24页 |
| 2.4 连通域标记与区域生长 | 第24-25页 |
| 2.5 运动检测算法流程 | 第25-26页 |
| 2.6 运动检测评估实验 | 第26-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第三章 基于分类器的帧内表观检测算法 | 第28-45页 |
| 3.1 综合表观特征 | 第28-34页 |
| 3.1.1 HOG特征 | 第28-30页 |
| 3.1.2 Haar-like特征 | 第30-32页 |
| 3.1.3 LBP特征 | 第32-34页 |
| 3.1.4 综合特征向量 | 第34页 |
| 3.2 随机森林分类器 | 第34-38页 |
| 3.2.1 决策树 | 第35-36页 |
| 3.2.2 随机森林 | 第36-38页 |
| 3.3 学习训练分类器 | 第38页 |
| 3.4 表观检测算法流程 | 第38-41页 |
| 3.5 表观检测评估实验 | 第41-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 融合特征匹配和数据关联的多目标跟踪 | 第45-65页 |
| 4.1 卡尔曼滤波 | 第45-48页 |
| 4.2 数据关联方法 | 第48-52页 |
| 4.2.1 相关波门 | 第48页 |
| 4.2.2 航迹起始与终结 | 第48-49页 |
| 4.2.3 JPDA联合概率数据互联算法 | 第49-52页 |
| 4.3 综合表观特征匹配 | 第52-61页 |
| 4.3.1 HSV颜色直方图匹配 | 第52-54页 |
| 4.3.2 SURF特征匹配 | 第54-60页 |
| 4.3.3 综合表观特征匹配 | 第60-61页 |
| 4.4 特征匹配与数据关联融合 | 第61页 |
| 4.5 融合跟踪算法流程 | 第61-62页 |
| 4.6 融合跟踪评估实验 | 第62-63页 |
| 4.7 本章小结 | 第63-65页 |
| 第五章 基于运动与表观的O2O多目标检测与跟踪系统 | 第65-73页 |
| 5.1 O2O多目标检测算法 | 第65-67页 |
| 5.2 O2O多目标检测跟踪系统 | 第67-68页 |
| 5.3 O2O检测跟踪系统评估实验 | 第68-70页 |
| 5.4 系统项目应用 | 第70-72页 |
| 5.4.1 城市交通卡口车辆跟踪系统 | 第70-71页 |
| 5.4.2 博物馆区域入侵目标跟踪和行为识别系统 | 第71-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-77页 |
| 附录 攻读硕士学位期间申请的专利 | 第77-78页 |
| 致谢 | 第78页 |