| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 研究背景和意义 | 第14-16页 |
| 1.2 研究现状分析 | 第16-24页 |
| 1.2.1 视频火焰检测的研究现状 | 第16-18页 |
| 1.2.2 视频人体部分检测与分割的研究现状 | 第18-20页 |
| 1.2.3 视频对象跟踪的研究现状 | 第20-24页 |
| 1.3 本文研究的主要内容与创新点 | 第24-26页 |
| 第2章 监控系统中的基于视频流的火焰检测 | 第26-46页 |
| 2.1 导言 | 第26-27页 |
| 2.2 视频火焰的特征与判别方法 | 第27-34页 |
| 2.2.1 预处理步骤及运动特征检测 | 第27-28页 |
| 2.2.2 基于火焰颜色特征的判别依据 | 第28-30页 |
| 2.2.3 基于火焰时域特征的判别依据 | 第30-31页 |
| 2.2.4 基于火焰形状特征的判别依据 | 第31-32页 |
| 2.2.5 基于人工神经网络的综合判别方法 | 第32-34页 |
| 2.3 基于视频流的火焰检测算法说明 | 第34-39页 |
| 2.3.1 算法总体流程 | 第34-35页 |
| 2.3.2 基于GPU加速的算法改进 | 第35-39页 |
| 2.4 实验结果 | 第39-45页 |
| 2.4.1 神经网络参数的确定 | 第39-42页 |
| 2.4.2 检测结果与比较 | 第42-45页 |
| 2.5 本章小结 | 第45-46页 |
| 第3章 视频监控系统中的人体部分检测与分割 | 第46-73页 |
| 3.1 导言 | 第46-47页 |
| 3.2 基于有向梯度直方图特征的人头检测 | 第47-54页 |
| 3.2.1 作用与意义 | 第47-48页 |
| 3.2.2 有向梯度直方图 | 第48-50页 |
| 3.2.3 基于GPU的加速方法 | 第50-52页 |
| 3.2.4 基于运动信息与人体外观模型的滤波 | 第52-54页 |
| 3.3 基于形状直方图特征的人体上半身检测与分割 | 第54-62页 |
| 3.3.1 作用与意义 | 第54-56页 |
| 3.3.2 形状直方图特征 | 第56-58页 |
| 3.3.3 基于形状直方图特征的人体上半身检测与分割算法 | 第58-62页 |
| 3.4 实验结果 | 第62-71页 |
| 3.4.1 人头检测实验结果 | 第62-68页 |
| 3.4.2 人体上半身检测与分割实验结果 | 第68-71页 |
| 3.5 本章小结 | 第71-73页 |
| 第4章 视频监控系统中对象的跟踪 | 第73-97页 |
| 4.1 导言 | 第73-74页 |
| 4.2 背景知识介绍及分析 | 第74-82页 |
| 4.2.1 EMD距离 | 第74-77页 |
| 4.2.2 SURF特征点 | 第77-80页 |
| 4.2.3 基于SURF特征点和EMD距离跟踪算法的优势分析 | 第80-82页 |
| 4.3 基于SURF特征点和EMD距离的跟踪算法 | 第82-87页 |
| 4.3.1 问题建模 | 第82页 |
| 4.3.2 实现细节 | 第82-87页 |
| 4.4 实验结果 | 第87-96页 |
| 4.5 本章小结 | 第96-97页 |
| 第5章 总结与展望 | 第97-100页 |
| 5.1 全文工作的总结 | 第97-99页 |
| 5.2 未来工作的展望 | 第99-100页 |
| 参考文献 | 第100-109页 |
| 攻读博士学位期间主要的研究成果 | 第109-111页 |
| 致谢 | 第111页 |