| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 缩略词表 | 第12-13页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究工作的背景与意义 | 第13-14页 |
| 1.2 国内外研究历史与现状 | 第14-17页 |
| 1.2.1 运动目标检测 | 第15页 |
| 1.2.2 目标跟踪综述 | 第15-17页 |
| 1.2.2.1 单目标跟踪 | 第15-16页 |
| 1.2.2.2 多目标跟踪 | 第16-17页 |
| 1.3 本文的主要工作 | 第17-18页 |
| 1.4 本论文的结构安排 | 第18-20页 |
| 第二章 运动目标检测与行人检测 | 第20-41页 |
| 2.1 引言 | 第20页 |
| 2.2 自制相机与运动目标检测 | 第20-27页 |
| 2.2.1 自制相机架构 | 第20-24页 |
| 2.2.1.1 硬件部分 | 第20-22页 |
| 2.2.1.2 软件部分 | 第22-24页 |
| 2.2.2 运动目标检测 | 第24-26页 |
| 2.2.2.1 帧差法 | 第24页 |
| 2.2.2.2 背景减除法 | 第24-26页 |
| 2.2.3 在自制相机上实现的运动目标检测 | 第26-27页 |
| 2.3 目标特征 | 第27-30页 |
| 2.3.1 颜色特征 | 第27-28页 |
| 2.3.2 LBP特征 | 第28-30页 |
| 2.4 基于帧差的可变部件模型的行人检测 | 第30-39页 |
| 2.4.1 可变部件模型 | 第30-37页 |
| 2.4.1.1 HOG特征 | 第30-33页 |
| 2.4.1.2 可变部件模型生成 | 第33-35页 |
| 2.4.1.3 学习 | 第35页 |
| 2.4.1.4 训练流程 | 第35-37页 |
| 2.4.2 基于背景减除法的可变部件模型检测 | 第37-39页 |
| 2.5 本章小结 | 第39-41页 |
| 第三章 单目标跟踪及改进的粒子滤波方法 | 第41-57页 |
| 3.1 Mean Shift方法 | 第41-46页 |
| 3.1.1 Mean Shift算法基本理论 | 第41-43页 |
| 3.1.2 Mean Shift算法运用于目标跟踪领域 | 第43-45页 |
| 3.1.3 Mean Shift目标跟踪实验结果 | 第45-46页 |
| 3.2 卡尔曼滤波方法 | 第46-49页 |
| 3.2.1 卡尔曼滤波基本原理 | 第46-48页 |
| 3.2.2 卡尔曼目标跟踪实验结果 | 第48-49页 |
| 3.3 改进的基于颜色特征和LBP纹理的粒子滤波 | 第49-56页 |
| 3.3.1 粒子滤波理论基本原理 | 第49-51页 |
| 3.3.2 基于颜色特征和LBP纹理的粒子滤波 | 第51-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第四章 多目标跟踪算法研究 | 第57-71页 |
| 4.1 基于粒子滤波的多目标跟踪方法 | 第57-59页 |
| 4.2 基于运动动力学的多目标跟踪方法 | 第59-64页 |
| 4.2.1 运动动力学与Hankel矩阵 | 第59-60页 |
| 4.2.2 轨迹块相似性的定义 | 第60-61页 |
| 4.2.3 轨迹块相似性的计算 | 第61-64页 |
| 4.2.4 轨迹块的关联 | 第64页 |
| 4.3 改进的粒子滤波与运动动力学的多目标跟踪算法 | 第64-70页 |
| 4.3.1 基于粒子滤波的轨迹块生成 | 第65页 |
| 4.3.2 轨迹块相似性的度量 | 第65-66页 |
| 4.3.3 仿真结果 | 第66-70页 |
| 4.4 本章总结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 全文总结 | 第71页 |
| 5.2 后续工作展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 个人简历 | 第78-79页 |
| 攻读硕士学位期间取得的成果 | 第79-80页 |