基于在线学习的视频跟踪研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-19页 |
| ·论文的研究背景和意义 | 第10-11页 |
| ·国内外研究现状 | 第11-16页 |
| ·视频目标检测技术 | 第11-13页 |
| ·视频目标跟踪技术 | 第13-16页 |
| ·研究内容 | 第16-17页 |
| ·短时跟踪器的选择和构造 | 第16页 |
| ·目标特征的选取 | 第16-17页 |
| ·分类器的选择和在线更新 | 第17页 |
| ·论文组织结构 | 第17-19页 |
| 第2章 视频跟踪相关技术研究 | 第19-28页 |
| ·技术难点 | 第19-20页 |
| ·目标表示方法 | 第20-22页 |
| ·目标特征表示 | 第22-24页 |
| ·颜色积分直方图HOI | 第22-23页 |
| ·梯度积分直方图HOG | 第23页 |
| ·局部二值模型LBP | 第23-24页 |
| ·在线学习基础理论 | 第24-27页 |
| ·Ensemble算法 | 第25页 |
| ·Boosting算法 | 第25-26页 |
| ·在线Boosting算法 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于KLT的短时跟踪算法 | 第28-38页 |
| ·引言 | 第28页 |
| ·Harris角点检测 | 第28-31页 |
| ·极线几何与基本矩阵 | 第31-33页 |
| ·极线几何约束准则 | 第31页 |
| ·基本矩阵 | 第31-32页 |
| ·基于RANSAC算法的基本矩阵估计 | 第32-33页 |
| ·KLT角点跟踪 | 第33-34页 |
| ·KLT匹配算法 | 第33-34页 |
| ·快速运动目标的KLT匹配 | 第34页 |
| ·目标准确定位 | 第34-35页 |
| ·实验结果 | 第35-36页 |
| ·本章小结 | 第36-38页 |
| 第4章 支持在线学习的增量式随机森林分类器 | 第38-51页 |
| ·引言 | 第38页 |
| ·随机森林理论 | 第38-42页 |
| ·决策树 | 第40页 |
| ·决策属性的选取 | 第40-42页 |
| ·随机森林的收敛性和泛化误差 | 第42页 |
| ·改进的在线学习的随机森林分类器 | 第42-47页 |
| ·分类模型框架设计 | 第43-44页 |
| ·特征选择和决策树设计 | 第44-46页 |
| ·决策树的增长和修剪 | 第46-47页 |
| ·实验结果与分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 基于双向光流和在线学习的视频跟踪算法 | 第51-70页 |
| ·目标跟踪模块 | 第52-55页 |
| ·目标检测模块 | 第55-58页 |
| ·初始样本获取 | 第55-56页 |
| ·分类器初始化 | 第56-57页 |
| ·样本扫描策略 | 第57页 |
| ·更新分类器 | 第57-58页 |
| ·结果聚类 | 第58页 |
| ·学习综合模块 | 第58-62页 |
| ·外观模型和运动模型 | 第59-60页 |
| ·结构约束 | 第60-61页 |
| ·目标跟踪和在线学习 | 第61-62页 |
| ·实验结果与分析 | 第62-69页 |
| ·本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| ·工作总结 | 第70-71页 |
| ·展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
| 攻读学位期间参加的科研项目和成果 | 第76页 |
