| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 智能视频监控系统 | 第10-12页 |
| 1.2.2 目标跟踪方法 | 第12-14页 |
| 1.3 论文的主要研究内容与章节安排 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 章节安排 | 第15-16页 |
| 第2章 相关基础知识介绍 | 第16-27页 |
| 2.1 图像去噪 | 第16-20页 |
| 2.1.1 常见的图像噪声 | 第16-17页 |
| 2.1.2 常见图像去噪算法 | 第17-20页 |
| 2.2 二值图像形态学处理 | 第20-23页 |
| 2.3 随机森林分类器 | 第23-24页 |
| 2.4 半监督P-N机器学习 | 第24-26页 |
| 2.4.1 机器学习的分类 | 第24页 |
| 2.4.2 P-N机器学习 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于LBP特征改进的目标检测算法研究 | 第27-44页 |
| 3.1 传统目标检测方法 | 第27-37页 |
| 3.1.1 帧间差分法 | 第27-30页 |
| 3.1.2 高斯背景建模法 | 第30-34页 |
| 3.1.3 LK光流法 | 第34-35页 |
| 3.1.4 检测结果后处理 | 第35-36页 |
| 3.1.5 传统目标检测方法分析 | 第36-37页 |
| 3.2 基于LBP特征目标检测改进方法 | 第37-43页 |
| 3.2.1 LBP算子 | 第37-39页 |
| 3.2.2 基于LBP算子的高斯背景建模的目标检测 | 第39-41页 |
| 3.2.3 实验结果分析 | 第41-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第4章 基于机器学习的Mean Shift目标跟踪算法 | 第44-70页 |
| 4.1 Mean Shift跟踪算法 | 第44-51页 |
| 4.1.1 基本原理 | 第44-47页 |
| 4.1.2 基于核的目标跟踪 | 第47-49页 |
| 4.1.3 算法实现 | 第49-50页 |
| 4.1.4 实验及结果分析 | 第50-51页 |
| 4.2 基于P-N机器学习改进的Mean Shift目标跟踪算法 | 第51-62页 |
| 4.2.1 算法框架 | 第52-53页 |
| 4.2.2 相关概念 | 第53-54页 |
| 4.2.3 跟踪模块 | 第54页 |
| 4.2.4 检测模块 | 第54-57页 |
| 4.2.5 学习模块 | 第57-58页 |
| 4.2.6 判断模块 | 第58-59页 |
| 4.2.7 实验及结果分析 | 第59-62页 |
| 4.3 基于改进Mean Shift算法的多目标扩展 | 第62-69页 |
| 4.3.1 多目标跟踪模块 | 第62-63页 |
| 4.3.2 多目标检测模块 | 第63-65页 |
| 4.3.3 多目标学习模块 | 第65-66页 |
| 4.3.4 实验及结果分析 | 第66-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第5章 智能视频监控系统目标跟踪仿真软件设计实现 | 第70-79页 |
| 5.1 仿真软件环境 | 第70-71页 |
| 5.2 仿真系统设计 | 第71-76页 |
| 5.2.1 总体设计 | 第71-72页 |
| 5.2.2 目标检测模块设计 | 第72-74页 |
| 5.2.3 目标跟踪模块设计 | 第74-76页 |
| 5.3 仿真实现 | 第76-78页 |
| 5.3.1 软件搭建 | 第76-77页 |
| 5.3.2 系统演示 | 第77-78页 |
| 5.4 本章小结 | 第78-79页 |
| 结论 | 第79-80页 |
| 参考文献 | 第80-83页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第83-84页 |
| 致谢 | 第84页 |
