| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景、目的及意义 | 第11-13页 |
| 1.1.1 课题来源及选题背景 | 第11-12页 |
| 1.1.2 课题研究目的及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 课题研究的关键问题 | 第16-17页 |
| 1.4 主要内容及章节安排 | 第17-19页 |
| 第2章 行人目标检测 | 第19-31页 |
| 2.1 运动行人目标检测方法 | 第19-22页 |
| 2.1.1 帧间差分法 | 第19-20页 |
| 2.1.2 光流法 | 第20-22页 |
| 2.1.3 背景差法 | 第22页 |
| 2.2 基于高斯混合模型的行人检测 | 第22-24页 |
| 2.2.1 高斯混合模型概述 | 第22-23页 |
| 2.2.2 基于高斯混合模型的目标检测实验 | 第23-24页 |
| 2.3 基于SVM和HOG的行人目标检测 | 第24-29页 |
| 2.3.1 梯度直方图HOG | 第24-26页 |
| 2.3.2 基于HOG特征的SVM行人目标辨识 | 第26-27页 |
| 2.3.3 基于HOG特征的SVM行人检测实验 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 基于粒子滤波改进算法的目标跟踪 | 第31-45页 |
| 3.1 基于颜色补偿的Lab归一化 | 第31-34页 |
| 3.1.1 RGB与Lab颜色空间转换 | 第31-32页 |
| 3.1.2 基于颜色空间转化的颜色差异补偿 | 第32-34页 |
| 3.2 基于粒子滤波改进算法的目标跟踪 | 第34-40页 |
| 3.2.1 LBP特征 | 第34-36页 |
| 3.2.2 基于粒子滤波改进算法的目标跟踪 | 第36-40页 |
| 3.3 实验验证与效果分析 | 第40-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 基于判别型外观模型的目标关联 | 第45-61页 |
| 4.1 基于MIL的在线样本提取 | 第45-47页 |
| 4.2 判别型外观描述子 | 第47-53页 |
| 4.2.1 在线判别型目标外观模型 | 第47页 |
| 4.2.2 外观描述子 | 第47-50页 |
| 4.2.3 相似性度量函数 | 第50-53页 |
| 4.3 基于MIL-Adaboost的判别型外观模型 | 第53-58页 |
| 4.3.1 Adaboost判别型学习法 | 第53-55页 |
| 4.3.2 基于MIL-Adaboost框架的目标关联 | 第55-58页 |
| 4.4 实验及数据分析 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 基于时空几何约束的视野重叠区域目标关联 | 第61-77页 |
| 5.1 基于时空上下文的约束 | 第61-64页 |
| 5.1.1 时空上下文 | 第61-63页 |
| 5.1.2 时空上下文约束 | 第63-64页 |
| 5.2 多视几何约束 | 第64-70页 |
| 5.2.1 对极几何约束 | 第64-66页 |
| 5.2.2 单应性约束 | 第66-69页 |
| 5.2.3 多摄像机部署及参数标定 | 第69-70页 |
| 5.3 视野重叠区域的遮挡处理 | 第70-73页 |
| 5.3.1 遮挡置信度 | 第70-72页 |
| 5.3.2 基于几何约束的遮挡位置估计 | 第72-73页 |
| 5.4 系统设计及实验验证 | 第73-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 6.1 总结 | 第77页 |
| 6.2 展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 硕士期间发表的论文 | 第85页 |