| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文组织结构 | 第12-14页 |
| 第2章 目标检测 | 第14-23页 |
| 2.1 目标检测算法 | 第14-21页 |
| 2.1.1 帧间差分算法 | 第14-15页 |
| 2.1.2 光流法 | 第15-16页 |
| 2.1.3 背景减除法 | 第16-17页 |
| 2.1.4 高斯背景建模 | 第17-19页 |
| 2.1.5 支持向量机 | 第19-21页 |
| 2.2 检测算法性能分析 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 目标跟踪算法 | 第23-37页 |
| 3.1 目标跟踪算法 | 第23-30页 |
| 3.1.1 均值漂移算法 | 第23-26页 |
| 3.1.2 卡尔曼滤波 | 第26-29页 |
| 3.1.3 长时段单目标跟踪算法 | 第29-30页 |
| 3.2 粒子滤波模型介绍 | 第30-36页 |
| 3.2.1 贝叶斯估计 | 第30-31页 |
| 3.2.2 蒙特卡罗模型 | 第31-33页 |
| 3.2.3 序贯重要采样方法（SIS） | 第33-34页 |
| 3.2.4 重采样方法 | 第34-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 基于最优特征选择和支持向量机的钱塘江涌潮的检测算法 | 第37-45页 |
| 4.1 视频特征的最优选择 | 第37-39页 |
| 4.1.1 像素特征的概率密度估计 | 第37-38页 |
| 4.1.2 特征模板的构建 | 第38-39页 |
| 4.2 基于支持向量机的自适应背景建模 | 第39-41页 |
| 4.3 实验结果分析与比较 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 改进型粒子滤波算法在钱塘江涌潮的应用 | 第45-55页 |
| 5.1 基于颜色特征的粒子滤波跟踪算法 | 第45-50页 |
| 5.1.1 粒子模型的建立 | 第45-46页 |
| 5.1.2 颜色特征粒子滤波的构建 | 第46-48页 |
| 5.1.3 目标位置区域的估计 | 第48-49页 |
| 5.1.4 改进型跟踪算法过程 | 第49-50页 |
| 5.2 实验结果的分析 | 第50-52页 |
| 5.3 主流跟踪算法的评价 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第6章 结论与展望 | 第55-57页 |
| 6.1 工作总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62页 |