单摄像机下的视频目标跟踪算法研究
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 基于无类别的跟踪 | 第11-12页 |
| 1.2.2 基于关联的跟踪 | 第12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 本文的结构 | 第13-14页 |
| 第2章 基于无类别跟踪的经典算法 | 第14-28页 |
| 2.1 基于卡尔曼滤波的目标跟踪 | 第14-18页 |
| 2.1.1 卡尔曼滤波器描述 | 第14-15页 |
| 2.1.2 卡尔曼滤波算法流程 | 第15-17页 |
| 2.1.3 卡尔曼滤波的参数设置 | 第17页 |
| 2.1.4 实验结果 | 第17-18页 |
| 2.2 基于粒子滤波的目标跟踪 | 第18-24页 |
| 2.2.1 贝叶斯滤波原理 | 第18-20页 |
| 2.2.2 粒子滤波 | 第20-23页 |
| 2.2.3 算法实现流程 | 第23-24页 |
| 2.2.4 实验结果 | 第24页 |
| 2.3 基于均值漂移的目标跟踪 | 第24-27页 |
| 2.3.1 目标描述 | 第25页 |
| 2.3.2 均值漂移迭代 | 第25-26页 |
| 2.3.3 算法流程 | 第26-27页 |
| 2.3.4 实验结果 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 尺度、方向适应性均值漂移跟踪算法 | 第28-36页 |
| 3.1 尺度、方向适应性均值漂移 | 第28-33页 |
| 3.1.1 尺度变化时目标的反向投影图 | 第28-30页 |
| 3.1.2 目标面积的估计 | 第30页 |
| 3.1.3 矩特征 | 第30-31页 |
| 3.1.4 估计目标的宽、高及方向 | 第31-32页 |
| 3.1.5 下一帧候选区域的确定 | 第32页 |
| 3.1.6 SOAMST算法实现 | 第32-33页 |
| 3.2 实验结果 | 第33-35页 |
| 3.2.1 对称视频序列上的实验 | 第33-34页 |
| 3.2.2 场景视频序列上的实验 | 第34-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 基于关联的跟踪算法 | 第36-50页 |
| 4.1 时间滑动窗 | 第36-37页 |
| 4.2 判别性外观模型的在线学习 | 第37-42页 |
| 4.2.1 样本提取 | 第37-39页 |
| 4.2.2 目标外观表达及相似性度量 | 第39-41页 |
| 4.2.3 Adaboost学习算法 | 第41-42页 |
| 4.3 跟踪片关联 | 第42-47页 |
| 4.3.1 运动相似度 | 第43页 |
| 4.3.2 时间相似度 | 第43-44页 |
| 4.3.3 外观相似度 | 第44页 |
| 4.3.4 关联状态的优化解 | 第44-47页 |
| 4.4 实验结果及其分析 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 全文总结 | 第50页 |
| 5.2 工作展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 附录:攻读学位期间所发表的学术论文目录 | 第57页 |
