面向视频监控的多目标跟踪系统的研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 课题研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 多目标检测算法 | 第16-30页 |
| 2.1 图像预处理 | 第16-20页 |
| 2.1.1 图像复原 | 第16-17页 |
| 2.1.2 图像增强 | 第17-18页 |
| 2.1.3 图像形态学处理 | 第18-20页 |
| 2.2 经典的目标检测算法 | 第20-23页 |
| 2.2.1 帧间差分法 | 第20-21页 |
| 2.2.2 背景差分法 | 第21-22页 |
| 2.2.3 光流法 | 第22-23页 |
| 2.3 基于高斯混合模型的背景检测 | 第23-25页 |
| 2.3.1 单高斯背景模型 | 第23-24页 |
| 2.3.2 混合高斯背景模型 | 第24-25页 |
| 2.4 ACF检测算法 | 第25-29页 |
| 2.4.1 通道的概念 | 第25页 |
| 2.4.2 通道的类型 | 第25-27页 |
| 2.4.3 聚合通道特征提取 | 第27页 |
| 2.4.4 AbaBoost分类器 | 第27-28页 |
| 2.4.5 ACF检测器的工作原理 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 多目标跟踪算法综述 | 第30-38页 |
| 3.1 多目标跟踪分类 | 第30-31页 |
| 3.1.1 基于数据关联的跟踪方法 | 第30-31页 |
| 3.1.2 与类别无关的跟踪方法 | 第31页 |
| 3.2 多目标跟踪框架 | 第31-32页 |
| 3.2.1 概率跟踪框架 | 第31页 |
| 3.2.2 基于图论的跟踪框架 | 第31-32页 |
| 3.3 外观模型 | 第32-35页 |
| 3.3.1 外观特征 | 第32-33页 |
| 3.3.2 基于单一特征的外观模型 | 第33-34页 |
| 3.3.3 基于多特征的外观模型 | 第34-35页 |
| 3.4 运动模型 | 第35-36页 |
| 3.4.1 线性运动模型 | 第35页 |
| 3.4.2 非线性运动模型 | 第35-36页 |
| 3.5 相似度计算方法 | 第36-37页 |
| 3.5.1 直方图的相似度 | 第36-37页 |
| 3.5.2 欧氏距离 | 第37页 |
| 3.5.3 向量空间余弦相似度 | 第37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 多目标跟踪算法的实现 | 第38-68页 |
| 4.1 多目标检测器的选取 | 第38-44页 |
| 4.1.1 ACF检测器性能评估 | 第39-40页 |
| 4.1.2 ACF检测器的训练 | 第40-42页 |
| 4.1.3 检测结果的筛选 | 第42-44页 |
| 4.2 多目标跟踪算法 | 第44-50页 |
| 4.2.1 利用轨迹片段置信度进行在线跟踪 | 第44-45页 |
| 4.2.2 相似度模型 | 第45-46页 |
| 4.2.3 利用置信度进行关联分类 | 第46-48页 |
| 4.2.4 判别式外观学习 | 第48-50页 |
| 4.3 遮挡问题的解决 | 第50-67页 |
| 4.3.1 基于超像素的判别式外观模型 | 第51-53页 |
| 4.3.2 前景/背景置信图 | 第53-54页 |
| 4.3.3 重合区域的指派 | 第54-60页 |
| 4.3.4 严重遮挡的应对 | 第60-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第5章 系统的实现 | 第68-80页 |
| 5.1 算法性能评估 | 第68-73页 |
| 5.1.1 可视化跟踪结果对比 | 第68-71页 |
| 5.1.2 总体性能评估 | 第71-72页 |
| 5.1.3 单项改进的性能评估 | 第72-73页 |
| 5.2 系统实现 | 第73-79页 |
| 5.2.1 开发环境 | 第73-74页 |
| 5.2.2 系统界面展示 | 第74-79页 |
| 5.3 本章小结 | 第79-80页 |
| 第6章 总结和展望 | 第80-82页 |
| 6.1 本文工作总结 | 第80页 |
| 6.2 研究展望 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88-90页 |
| 科研项目和论文发表情况 | 第90页 |
