| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究的目的与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 研究所面临的主要问题 | 第12-13页 |
| 1.4 论文结构框架 | 第13-15页 |
| 第二章 行人的跟踪与运动分析相关算法研究 | 第15-25页 |
| 2.1 行人的跟踪与运动分析概述 | 第15-17页 |
| 2.2 行人检测流程及相关算法 | 第17-19页 |
| 2.3 行人跟踪算法 | 第19-22页 |
| 2.3.1 行人跟踪算法概述 | 第19-20页 |
| 2.3.2 Mean-shift跟踪算法 | 第20页 |
| 2.3.3 卡尔曼滤波算法 | 第20-21页 |
| 2.3.4 粒子滤波算法 | 第21页 |
| 2.3.5 融合HOG检测的行人跟踪 | 第21-22页 |
| 2.4 行为分析算法 | 第22-23页 |
| 2.4.1 行人个体的运动分析方法 | 第22页 |
| 2.4.2 整体人群的具体运动分析研究 | 第22-23页 |
| 2.5 对存在问题的处理 | 第23-24页 |
| 2.5.1 目标消失问题的处理 | 第23页 |
| 2.5.2 静止目标问题的处理 | 第23页 |
| 2.5.3 遮挡问题的处理 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于HOG特征的行人运动分析技术研究 | 第25-53页 |
| 3.1 HOG特征的基本原理 | 第25-26页 |
| 3.2 HOG特征的提取 | 第26-29页 |
| 3.2.1 Gamma以及基于颜色空间的标准化 | 第26页 |
| 3.2.2 梯度分析运算 | 第26-28页 |
| 3.2.3 计算Cell的梯度直方图 | 第28页 |
| 3.2.4 Block正规化 | 第28-29页 |
| 3.2.5 特征向量的生成 | 第29页 |
| 3.3 SVM分类器 | 第29-32页 |
| 3.3.1 数理统计学理论 | 第29-30页 |
| 3.3.2 SVM原理 | 第30-31页 |
| 3.3.3 HOG特征和SVM原理结合 | 第31-32页 |
| 3.4 基于HOG特征的训练与分类 | 第32-38页 |
| 3.4.1 样本系统构建和机器训练 | 第32-34页 |
| 3.4.2 具体的分类流程 | 第34页 |
| 3.4.3 训练与测试 | 第34-38页 |
| 3.5 三维HOG行人运动分析 | 第38-52页 |
| 3.5.1 三维方向梯度直方图 | 第38-41页 |
| 3.5.2 关键点分布(Key Point Distribution) | 第41页 |
| 3.5.3 实验与验证 | 第41-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第四章 基于HOG的智能视频监控系统的实现 | 第53-60页 |
| 4.1 智能视频监控需求分析 | 第53页 |
| 4.2 智能视频监控系统结构及实现 | 第53-58页 |
| 4.2.1 行人运动分析处理过程 | 第53-55页 |
| 4.2.2 系统组成结构 | 第55-56页 |
| 4.2.3 系统软件模块组成实现 | 第56-58页 |
| 4.3 软件实现结果 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 结束语 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 作者在学期间取得的学术成果 | 第66页 |