视频中的稀疏多目标跟踪和轨迹异常检测研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 运动目标检测 | 第12-13页 |
| 1.2.2 多目标跟踪 | 第13-15页 |
| 1.2.3 异常轨迹检测 | 第15-18页 |
| 1.3 本文的研究内容和创新点 | 第18-19页 |
| 1.4 本文的框架结构 | 第19-20页 |
| 第2章 多目标跟踪的基本算法理论 | 第20-32页 |
| 2.1 经典的图像滤波方法 | 第20-22页 |
| 2.1.1 高斯滤波 | 第20页 |
| 2.1.2 均值滤波 | 第20页 |
| 2.1.3 中值滤波 | 第20-21页 |
| 2.1.4 形态学滤波 | 第21-22页 |
| 2.2 经典的数据关联算法 | 第22-27页 |
| 2.2.1 最近邻标准滤波器 | 第23-24页 |
| 2.2.2 概率数据关联滤波器 | 第24页 |
| 2.2.3 联合概率数据关联滤波器 | 第24-25页 |
| 2.2.4 多假设跟踪 | 第25-27页 |
| 2.3 跟踪滤波算法 | 第27-28页 |
| 2.3.1 卡尔曼滤波 | 第27-28页 |
| 2.3.2 分数阶卡尔曼滤波 | 第28页 |
| 2.4 常用的运动前景检测方法 | 第28-31页 |
| 2.4.1 帧差法 | 第28-29页 |
| 2.4.2 混合高斯法 | 第29-30页 |
| 2.4.3 光流法 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于单固定摄像头的稀疏多目标跟踪框架 | 第32-54页 |
| 3.1 系统框架 | 第32-33页 |
| 3.2 运动前景提取方案 | 第33-35页 |
| 3.3 TLD跟踪算法 | 第35-36页 |
| 3.4 关联矩阵的产生 | 第36-38页 |
| 3.4.1 目标状态的判断 | 第36-37页 |
| 3.4.2 特殊情况的处理 | 第37-38页 |
| 3.5 目标的交互遮挡处理 | 第38-39页 |
| 3.6 分数阶卡尔曼算法的时间复杂度分析 | 第39-40页 |
| 3.7 实验仿真 | 第40-53页 |
| 3.7.1 评价指标 | 第41-42页 |
| 3.7.2 实验结果分析 | 第42-53页 |
| 3.8 本章小结 | 第53-54页 |
| 第4章 基于时间分割的多特征表示的轨迹异常检测 | 第54-68页 |
| 4.1 轨迹特征表示 | 第55-57页 |
| 4.2 基于SVM模型异常判断 | 第57-60页 |
| 4.2.1 SVM分类器 | 第57-59页 |
| 4.2.2 样本训练和预测 | 第59-60页 |
| 4.3 实验仿真 | 第60-66页 |
| 4.3.1 评价指标 | 第60-61页 |
| 4.3.2 实验结果分析 | 第61-66页 |
| 4.4 本章小结 | 第66-68页 |
| 总结与展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-80页 |
| 附录1 | 第80-84页 |
| 附录2 | 第84-90页 |
| 附录3 | 第90-91页 |
| 攻读硕士学位期间发表的论文 | 第91页 |
