第1章 引言 1
1.1 概述 1
1.2 智能视频监控的研究背景与现状 4
1.3 智能视频监控的两项关键技术——目标检测和目标跟踪 6
1.4 智能视频监控面临的难题和挑战 8
1.5 研究的创新点和本书章节内容安排 9
1.5.1 创新点 9
1.5.2 章节安排 10
第2章 视频目标检测技术概述 12
2.1 目标（前景）检测方法 12
2.2 目标检测算法的性能评价 14
2.3 目标检测所采用的视频图像基准数据集与实验平台 15
第3章 基于srgb色彩空间的核密度估计目标检测算法 17
3.1 核密度估计 18
3.1.1 基本原理 18
3.1.2 基于核密度估计的初步前景检测 19
3.1.3 带宽选择 22
3.2 在srgb色彩空间的核密度估计目标检测 24
3.3 迭代式的噪声去除和目标轮廓增强 25
3.3.1 基于贝叶斯后验概率的精细决策 26
3.3.2 马尔科夫随机场和模拟退火 27
3.4 仿真实验 30
3.4.1 检测效果 30
3.4.2 复杂度分析和实时性 34
3.5 本章小结 35
第4章 一种对光照变化具有鲁棒性的背景-前景检测算法 37
4.1 文献综述 38
4.2 混合高斯模型与参数估计 40
4.2.1 混合高斯模型简介 40
4.2.2 用基本期望最大化算法来估计混合高斯模型的参数 42
4.2.3 用在线EM算法对混合高斯模型参数进行估计 44
4.2.4 光照变化时在RGB色彩空间中呈现的特性 47
4.2.5 光谱反射理论与所观察到的线性特征 48
4.2.6 球面K均值聚类算法（Spkmeans） 52
4.3 一种自组织（Self-organizing）的机制 56
4.4 基于统计方法的初步前景检测 58
4.5 噪声抑制和前景轮廓增强 60
4.6 实验与仿真 62
4.6.1 背景建模与前景检测 64
4.6.2 初步前景检测的最优参数调整 72
4.6.3 迭代式去噪与前景增强实验 76
4.6.4 计算量与实用性 79
4.7 算法小结和展望 80
第5章 最大似然估计、多元高斯混合模型及在线EM算法 82
5.1 多元高斯混合模型的最大似然估计 83
5.1.1 一些常见的最大似然估计方法 83
5.1.2 用基本EM算法估计多元高斯混合模型 87
5.2 两种在线EM算法 88
5.2.1 用Titterington的在线EM算法更新多元高斯混合模型 89
5.2.2 Titterington型在线EM算法与梯度上升EM算法的关系 91
5.2.3 用基于充分统计量的在线EM算法更新多元高斯混合模型 93
5.3 实验仿真 95
第6章 多假设目标跟踪 104
6.1 目标跟踪技术概述和研究背景 104
6.2 多假设跟踪技术概述 106
6.2.1 概念准备 106
6.2.2 基于多假设的多目标跟踪技术 109
6.3 目标测量和跟踪器的关联——一种图论方法 110
6.3.1 代价矩阵（Cost Matrix） 110
6.3.2 相关的图论基础 112
6.3.3 通过求最小权值边覆盖求最优跟踪假设 114
6.4 次优跟踪假设的获取 117
6.5 应对目标分裂和合并 120
6.6 用卡尔曼滤波器刷新跟踪器状态 122
6.6.1 适用于跟踪器的卡尔曼滤波运动模型 123
6.6.2 卡尔曼滤波器对跟踪器状态的预测和更新 126
6.7 实验结果 127
第7章 结束语 129
7.1 工作小结 129
7.2 工作展望 130
参考文献 132
附录A score函数的条件期望 143
附录B 定理5.1的证明 144
附录C 定理5.3的证明 145
附录D 定理5.4的证明 147
附录E 定理5.5的证明 154
附录F 定理6.2的证明 157
后记 160