| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 选题背景及其意义 | 第10-11页 |
| 1.2 课题来源及研究现状 | 第11-13页 |
| 1.2.1 国内的研究现状 | 第11-12页 |
| 1.2.2 国外的研究现状 | 第12-13页 |
| 1.3 监控对象跟踪和动作识别的重要问题 | 第13-14页 |
| 1.3.1 目标跟踪中的重要问题 | 第13页 |
| 1.3.2 动作识别中的关键问题 | 第13-14页 |
| 1.4 本文所做的工作 | 第14-15页 |
| 1.5 论文结构安排 | 第15-17页 |
| 第2章 视频监控中对目标检测的算法 | 第17-31页 |
| 2.1 常用的目标检测算法 | 第17-22页 |
| 2.1.1 帧间差分法 | 第17-19页 |
| 2.1.2 光流法 | 第19-20页 |
| 2.1.3 背景减除法 | 第20-22页 |
| 2.2 改进的背景减除法 | 第22-25页 |
| 2.3 三帧差分法 | 第25-26页 |
| 2.4 背景减除法与三帧差分法的结合 | 第26-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 运动目标的跟踪技术 | 第31-45页 |
| 3.1 常用的目标跟踪算法 | 第31-33页 |
| 3.2 Mean Shift跟踪算法 | 第33-35页 |
| 3.2.1 核密度估计法的跟踪理论 | 第33-34页 |
| 3.2.2 Mean Shift的基本思想及物理含义 | 第34-35页 |
| 3.3 Mean shift算法在目标跟踪中的应用 | 第35-37页 |
| 3.3.1 目标模型的设计 | 第35-36页 |
| 3.3.2 Mean Shift迭代过程 | 第36页 |
| 3.3.3 Mean Shift算法跟踪步骤 | 第36-37页 |
| 3.3.4 运用Mean Shift算法进行目标跟踪 | 第37页 |
| 3.4 CamShift的算法 | 第37-41页 |
| 3.4.1 CamShift的算法简介 | 第37页 |
| 3.4.2 CamShift算法原理 | 第37-41页 |
| 3.5 CamShift粒子滤波算法 | 第41-44页 |
| 3.5.1 粒子滤波算法原理 | 第41页 |
| 3.5.2 基于CamShift算法粒子滤波算法原理 | 第41-42页 |
| 3.5.3 算法描述 | 第42-43页 |
| 3.5.4 实验结果对比图 | 第43-44页 |
| 3.6 本章小节 | 第44-45页 |
| 第4章 人体姿势特征提取 | 第45-55页 |
| 4.1 基于关键帧特征的运动行为匹配分类 | 第45-50页 |
| 4.1.1 图像的矩特征 | 第45-49页 |
| 4.1.2 关键帧特征匹配算法 | 第49-50页 |
| 4.2 基于隐马尔可夫的运动行为分类 | 第50-52页 |
| 4.3 实验结果与分析 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 本文所作的主要工作 | 第55-56页 |
| 5.2 工作展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60页 |
