第1章　概述
　1.1　基本概念
　1.2　研究進展
　1.3　技術難點分析
　1.4　主要應用領域
第2章　典型的運動目標檢測技術及適用性分析
　2.1　基于光流法的運動目標檢測技術
　　2.1.1　基本概念
　　2.1.2　算法原理
　　2.1.3　常見的光流法
　2.2　基于幀差法的運動目標檢測技術
　　2.2.1　基本思想
　　2.2.2　算法流程
　2.3　基于背景差法的運動目標檢測
　　2.3.1　基本思想 第1章　概述
　1.1　基本概念
　1.2　研究進展
　1.3　技術難點分析
　1.4　主要應用領域
第2章　典型的運動目標檢測技術及適用性分析
　2.1　基于光流法的運動目標檢測技術
　　2.1.1　基本概念
　　2.1.2　算法原理
　　2.1.3　常見的光流法
　2.2　基于幀差法的運動目標檢測技術
　　2.2.1　基本思想
　　2.2.2　算法流程
　2.3　基于背景差法的運動目標檢測
　　2.3.1　基本思想
　　2.3.2　算法流程
　2.4　混合高斯背景建模
　　2.4.1　混合高斯背景模型的建立
　　2.4.2　混合高斯背景模型的更新
　2.5　不同運動目標檢測技術的適用性分析
第3章　攝像機畸變校正技術
　3.1　數(shù)理模型
　　3.1.1　坐標系
　　3.1.2　攝像機標定模型
　　3.1.3　非線性畸變模型
　3.2　攝像機標定方法的分類
　　3.2.1　基于標定物的標定法
　　3.2.2　攝像機自標定方法
　　3.2.3　基于主動視覺的標定方法
　　3.2.4　不同攝像機標定方法的適用性分析
　3.3　基于GPU的畸變校正加速算法
　　3.3.1　采用CUDA技術的GPU
　　3.3.2　基于網(wǎng)格標定的校正技術原理
　　3.3.3　GBGC算法概述
　　3.3.4　GBGC算法關鍵步驟
　3.4　實驗結果分析
第4章　靜態(tài)場景運動目標檢測技術
　4.1　基本原理
　4.2　分類特征的選擇
　　4.2.1　顏色特征
　　4.2.2　紋理特征
　4.3　相似性度量的定義
　4.4　基于Choquet積分的特征融合
　4.5　基于自適應閾值的圖像分割算法
　　4.5.1　定義
　　4.5.2　基本步驟
　　4.5.3　閾值更新策略
　4.6　實驗結果分析
　　4.6.1　顏色特征選擇實驗
　　4.6.2　ULBP紋理特征選擇實驗
　　4.6.3　自適應分類閾值確定實驗
　　4.6.4　復雜背景條件下運動目標檢測實驗
　　4.6.5　運動目標檢測效果的定量分析
第5章　動態(tài)場景運動目標檢測技術
　5.1　基本原理
　5.2　基于多尺度Harris角點SAM的圖像配準算法
　　5.2.1　算法基礎
　　5.2.2　算法描述
　　5.2.3　多尺度邊緣檢測算法
　　5.2.4　多尺度Hartis角點檢測算法
　　5.2.5　相似性測度的定義及誤匹配點對的刪除
　　5.2.6　圖像配準實驗
　5.3　基于幀差法的運動目標檢測算法
　　5.3.1　算法描述
　　5.3.2　具體實現(xiàn)
　　5.3.3　幀差法實驗
　5.4　實驗結果分析
第6章　紅外圖像運動目標檢測技術
　6.1　基本原理
　6.2　基于小波系數(shù)相關度的圖像去噪增強算法
　　6.2.1　問題描述
　　6.2.2　算法描述
　　6.2.3　具體實現(xiàn)
　　6.2.4　圖像去噪增強實驗
　6.3　特征的相似性度量
　6.4　基于Sugeno模糊積分的分類特征融合
　6.5　實驗結果分析
第7章　基于雙目視覺的運動目標檢測技術
　7.1　雙目視覺基本原理
　7.2　實現(xiàn)步驟
　7.3　雙目攝像機標定
　7.4　雙目立體匹配
　　7.4.1　特殊性及難點
　　7.4.2　具體實現(xiàn)
第8章　運動目標檢測技術在智能監(jiān)控系統(tǒng)中的應用
　8.1　智能監(jiān)控系統(tǒng)的發(fā)展歷程
　8.2　運動目標檢測技術應用情況
參考文獻