内容提要 | 第1-9页 |
第1章 绪论 | 第9-17页 |
·研究背景和意义 | 第9-10页 |
·研究进展及主要难点 | 第10-12页 |
·智能监控系统的研究进展 | 第10页 |
·运动目标检测方法的研究进展 | 第10-12页 |
·技术难点 | 第12页 |
·本文的研究内容 | 第12-13页 |
·本文工作及组织结构 | 第13-17页 |
第2章 相关理论基础 | 第17-23页 |
·引言 | 第17页 |
·基于背景差法的运动目标检测 | 第17-20页 |
·基本思想 | 第18页 |
·算法流程 | 第18-20页 |
·混合高斯背景建模 | 第20-22页 |
·混合高斯背景模型的建立 | 第21页 |
·混合高斯背景模型的更新 | 第21-22页 |
·本章小结 | 第22-23页 |
第3章 基于GPU的视频图像预处理算法 | 第23-41页 |
·引言 | 第23页 |
·数理模型 | 第23-29页 |
·坐标系 | 第23-26页 |
·摄像机标定模型 | 第26-27页 |
·非线性畸变模型 | 第27-29页 |
·现有畸变校正方法简介 | 第29-31页 |
·基于标定物的标定法 | 第30-31页 |
·摄像机自标定方法 | 第31页 |
·基于主动视觉的标定方法 | 第31页 |
·基于GPU的畸变实时校正算法 | 第31-38页 |
·采用CUDA技术的GPU | 第32-33页 |
·基于网格标定的校正技术原理 | 第33-34页 |
·GBGC算法概述 | 第34-35页 |
·GBGC算法关键步骤 | 第35-38页 |
·实验结果及分析 | 第38-40页 |
·本章小结 | 第40-41页 |
第4章 基于颜色-纹理模糊积分特征的静态场景运动目标检测算法 | 第41-73页 |
·引言 | 第41页 |
·算法描述 | 第41-43页 |
·分类特征的选择 | 第43-49页 |
·颜色特征 | 第43-46页 |
·纹理特征 | 第46-49页 |
·相似性度量的定义 | 第49页 |
·基于Choquet积分的特征融合 | 第49-51页 |
·基于自适应阈值的图像分割算法 | 第51-53页 |
·定义 | 第51-52页 |
·基本步骤 | 第52页 |
·阈值更新策略 | 第52-53页 |
·实验结果及分析 | 第53-71页 |
·颜色特征选择实验 | 第53-63页 |
·ULBP纹理特征选择实验 | 第63-64页 |
·自适应分类阈值确定实验 | 第64-67页 |
·复杂背景条件下运动目标检测实验 | 第67-71页 |
·运动目标检测效果的定量分析 | 第71页 |
·本章小结 | 第71-73页 |
第5章 基于Harris角点SAM配准的动态场景运动目标检测算法 | 第73-91页 |
·引言 | 第73页 |
·算法描述 | 第73-75页 |
·基于多尺度Harris角点SAM的图像配准算法 | 第75-82页 |
·算法基础 | 第75-76页 |
·算法描述 | 第76-77页 |
·多尺度边缘检测算法 | 第77页 |
·多尺度Harris角点检测算法 | 第77-78页 |
·相似性测度的定义及误匹配点对的删除 | 第78-79页 |
·实验结果及分析 | 第79-82页 |
·基于三帧差分法的运动目标检测算法 | 第82-87页 |
·算法描述 | 第82-83页 |
·具体实现 | 第83-85页 |
·实验结果及分析 | 第85-87页 |
·实验结果及分析 | 第87-90页 |
·本章小结 | 第90-91页 |
第6章 基于亮度-纹理模糊积分特征的红外图像运动目标检测算法 | 第91-105页 |
·引言 | 第91页 |
·算法描述 | 第91-93页 |
·基于小波系数相关度的图像去噪增强算法 | 第93-98页 |
·问题描述 | 第93-94页 |
·算法描述 | 第94-96页 |
·具体实现 | 第96-98页 |
·实验结果及分析 | 第98-100页 |
·特征的相似性度量 | 第100-101页 |
·基于Sugeno模糊积分的分类特征融合 | 第101-102页 |
·实验结果及分析 | 第102-104页 |
·本章小结 | 第104-105页 |
第7章 结论与展望 | 第105-109页 |
·论文研究工作总结 | 第105-106页 |
·进一步研究工作展望 | 第106-109页 |
参考文献 | 第109-121页 |
攻读博士学位期间发表的学术论文及取得的科研成果 | 第121-123页 |
致谢 | 第123-125页 |
摘要 | 第125-129页 |
Abstract | 第129-132页 |