| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 1 绪论 | 第9-19页 |
| ·运动目标检测和跟踪问题的提出 | 第9-10页 |
| ·运动目标检测与跟踪的研究现状与发展前景 | 第10-15页 |
| ·应用领域和先进的应用系统 | 第10-12页 |
| ·研究现状 | 第12-14页 |
| ·应用前景纵观 | 第14-15页 |
| ·运动目标检测与跟踪算法的研究难点 | 第15-16页 |
| ·本论文的结构安排 | 第16-19页 |
| 2 视频中运动目标处理问题概述 | 第19-38页 |
| ·视频目标检测和跟踪过程简介 | 第19-20页 |
| ·色彩空间概述 | 第20-21页 |
| ·目标图像处理的方法研究 | 第21-27页 |
| ·图像增强 | 第22页 |
| ·图像去噪 | 第22-25页 |
| ·数学形态学去噪 | 第25-27页 |
| ·视频运动目标检测的常用基本模型 | 第27-34页 |
| ·基于帧间差分法的运动目标检测 | 第28-31页 |
| ·基于背景差分法的运动目标检测 | 第31-33页 |
| ·基于运动场估计的方法 | 第33页 |
| ·其他方法 | 第33-34页 |
| ·运动目标跟踪技术的基本方法介绍 | 第34-37页 |
| ·小结 | 第37-38页 |
| 3 运动目标的检测及目标区域确定 | 第38-70页 |
| ·引言 | 第38-39页 |
| ·典型的背景建模及背景更新方法 | 第39-43页 |
| ·实时更新的帧间差分法 | 第40页 |
| ·卡尔曼滤波法 | 第40-41页 |
| ·基于统计平均的背景估计法 | 第41-42页 |
| ·基于IIR滤波的背景估计法 | 第42页 |
| ·区分像素类别的背景估计法 | 第42-43页 |
| ·自适应背景模型估计方法的提出与方法原理 | 第43-45页 |
| ·自适应背景模型估计方法—单模态(Unimodal)方法 | 第45-47页 |
| ·自适应背景模型估计方法—多模态(Multimodal)方法 | 第47-55页 |
| ·多模态方法下像素模型的定义 | 第48-49页 |
| ·在线K均值算法更新像素值模型参数 | 第49-52页 |
| ·背景和前景的分割—背景像素模型的建立 | 第52-55页 |
| ·基于背景差分法的多模态背景建模算法流程及实验结果 | 第55-60页 |
| ·预处理阶段 | 第55-56页 |
| ·运动前景和背景的获得 | 第56-57页 |
| ·形态学处理 | 第57-58页 |
| ·实验结果 | 第58-60页 |
| ·改进的基于背景差分法的多模态背景建模算法 | 第60-69页 |
| ·基于特征的运动物体滤除方法的提出 | 第60-63页 |
| ·方法的设计 | 第63-66页 |
| ·对比改进前后的实验结果 | 第66-69页 |
| ·小结 | 第69-70页 |
| 4 基于均值漂移和Kalman预测的目标跟踪 | 第70-89页 |
| ·引言 | 第70-72页 |
| ·运动目标的描述特征及选择 | 第72-74页 |
| ·均值漂移算法的基本原理 | 第74-78页 |
| ·无参密度估计 | 第74-76页 |
| ·均值漂移向量 | 第76-77页 |
| ·均值漂移算法表述 | 第77-78页 |
| ·基于Bhattacharyya系数的目标位置度量 | 第78-82页 |
| ·目标模型的描述 | 第78-79页 |
| ·候选目标模型描述 | 第79-80页 |
| ·目标和候选目标的相似性度量 | 第80-81页 |
| ·目标定位算法推导 | 第81页 |
| ·均值漂移跟踪算法步骤 | 第81-82页 |
| ·加入Kalman预测的Mean Shift算法 | 第82-86页 |
| ·Kalman预测器系统模型 | 第83-84页 |
| ·Kalman预测算法 | 第84-85页 |
| ·加入前景检测的Kalman预测器 | 第85-86页 |
| ·实验结果及分析 | 第86-88页 |
| ·小结 | 第88-89页 |
| 5 物体运动轨迹分析及报警部分设计实现 | 第89-98页 |
| ·引言 | 第89页 |
| ·轨迹分析及报警系统结构 | 第89-90页 |
| ·基于偏离阈值的报警实现 | 第90-91页 |
| ·系统工作过程 | 第91-92页 |
| ·实验结果与对比分析 | 第92-97页 |
| ·小结 | 第97-98页 |
| 6 结束语 | 第98-100页 |
| 致谢 | 第100-101页 |
| 参考文献 | 第101-105页 |
