| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 缩略语对照表 | 第13-18页 |
| 第一章 绪论 | 第18-36页 |
| ·研究背景和意义 | 第18-24页 |
| ·智能视频监控技术的动力和发展前景 | 第18-19页 |
| ·智能视频监控技术的应用 | 第19-21页 |
| ·智能视频监控的研究方向和内容 | 第21-24页 |
| ·国内外研究现状 | 第24-27页 |
| ·技术难点与研究思路 | 第27-32页 |
| ·主要工作与章节安排 | 第32-36页 |
| ·主要工作 | 第32-33页 |
| ·论文章节安排 | 第33-36页 |
| 第二章 基础理论与关键技术 | 第36-58页 |
| ·目标特征提取 | 第36-41页 |
| ·运动目标检测 | 第41-46页 |
| ·基于图像差分的运动目标检测 | 第41-44页 |
| ·基于特征分类的运动目标检测 | 第44-46页 |
| ·运动目标跟踪 | 第46-51页 |
| ·自底而上的运动目标跟踪 | 第46-49页 |
| ·自顶向下的运动目标跟踪 | 第49-51页 |
| ·场景运动模式分析 | 第51-54页 |
| ·公共实验数据集 | 第54-56页 |
| ·本章小结 | 第56-58页 |
| 第三章 场景运动模式建模及场景理解 | 第58-88页 |
| ·基于网格划分的有向场景运动模式模型 | 第58-65页 |
| ·Lucas-Kanade光流 | 第59-61页 |
| ·速率加权方向直方图模型 | 第61-62页 |
| ·投票权值补偿 | 第62-64页 |
| ·算法实现 | 第64-65页 |
| ·基于图像分割的有向场景运动模式模型 | 第65-72页 |
| ·混合高斯背景模型 | 第66-68页 |
| ·超像素场景划分 | 第68-70页 |
| ·速率方向直方图模型 | 第70-71页 |
| ·算法实现 | 第71-72页 |
| ·基于有向场景运动模式的局部场景理解 | 第72-78页 |
| ·运动路径提取 | 第73-75页 |
| ·出入口区域标记 | 第75-77页 |
| ·徘徊区域标记 | 第77-78页 |
| ·实验与结果分析 | 第78-85页 |
| ·本章小结 | 第85-88页 |
| 第四章 基于场景运动模式的运动目标检测 | 第88-108页 |
| ·AdaBoost学习模型 | 第89-94页 |
| ·集成学习概述 | 第89-90页 |
| ·AdaBoost训练过程 | 第90-92页 |
| ·Gentle AdaBoost分类学习模型 | 第92-94页 |
| ·基于场景运动模式的有向级联AdaBoost目标检测 | 第94-102页 |
| ·特征计算 | 第95-98页 |
| ·有向级联子分类器构造 | 第98-100页 |
| ·并行级联分类 | 第100-102页 |
| ·实验结果与分析 | 第102-106页 |
| ·本章小结 | 第106-108页 |
| 第五章 结合场景运动模式的目标跟踪方法研究 | 第108-126页 |
| ·模型驱动的目标跟踪框架 | 第108-114页 |
| ·卡尔曼滤波理论 | 第109-111页 |
| ·贝叶斯估计与序贯蒙特卡罗积分 | 第111-112页 |
| ·粒子滤波理论 | 第112-114页 |
| ·结合在线有向场景运动模式的MCMC粒子滤波目标跟踪方法 | 第114-121页 |
| ·状态空间与特征选取 | 第115-116页 |
| ·MCMC重采样 | 第116-118页 |
| ·结合场景运动模式的似然计算 | 第118-119页 |
| ·在线模型更新 | 第119-121页 |
| ·实验与结果分析 | 第121-125页 |
| ·本章小结 | 第125-126页 |
| 第六章 总结与展望 | 第126-130页 |
| ·论文工作总结 | 第126-127页 |
| ·本文主要创新点 | 第127-128页 |
| ·未来研究展望 | 第128-130页 |
| 参考文献 | 第130-142页 |
| 致谢 | 第142-144页 |
| 作者简介 | 第144-145页 |