基于在线学习的视觉目标跟踪算法研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-12页 |
| 1.绪论 | 第12-19页 |
| ·论文的研究背景和意义 | 第12-13页 |
| ·视觉跟踪问题概述 | 第13-17页 |
| ·视觉跟踪原理 | 第13-14页 |
| ·视觉跟踪的相关技术 | 第14-15页 |
| ·视觉跟踪的研究现状 | 第15-17页 |
| ·论文的创新 | 第17-18页 |
| ·论文的章节安排 | 第18-19页 |
| 2 粒子滤波理论 | 第19-30页 |
| ·贝叶斯滤波原理 | 第19-20页 |
| ·蒙特卡罗方法 | 第20-22页 |
| ·蒙特卡罗方法的基本原理 | 第20-21页 |
| ·蒙特卡罗方法的主要步驟 | 第21页 |
| ·蒙特卡罗方法的特点 | 第21-22页 |
| ·粒子滤波理论 | 第22-29页 |
| ·贝叶斯重要性采样(BIS) | 第22-23页 |
| ·序贯重要性采样(SIS) | 第23-25页 |
| ·粒子退化问题 | 第25页 |
| ·重要性函数的选择 | 第25-26页 |
| ·重采样(Re-sampling) | 第26-27页 |
| ·粒子滤波算法流程 | 第27-29页 |
| ·小结 | 第29-30页 |
| 3 基于多特征融合的目标跟踪算法 | 第30-47页 |
| ·系统状态空间及运动模型的建立 | 第31-32页 |
| ·特征提取 | 第32-36页 |
| ·颜色特征 | 第32-34页 |
| ·边缘特征 | 第34-36页 |
| ·建立观测模型 | 第36-37页 |
| ·彩色观测模型 | 第36-37页 |
| ·边缘观测模型 | 第37页 |
| ·特征融合 | 第37-38页 |
| ·模板更新 | 第38-39页 |
| ·算法实现 | 第39-40页 |
| ·实验结果与分析 | 第40-46页 |
| ·未发生遮挡时跟踪目标行人 | 第40-42页 |
| ·发生遮挡时跟踪目标行人 | 第42-43页 |
| ·跟踪地面快速运行的车辆 | 第43-44页 |
| ·跟踪运行过程中发生形变的快速车辆 | 第44-46页 |
| ·实验结果总结 | 第46页 |
| ·本章小结 | 第46-47页 |
| 4 基于多示例学习的粒子滤波跟踪算法 | 第47-63页 |
| ·在线Boosting算法 | 第47-52页 |
| ·Boosting算法 | 第48页 |
| ·集成算法 | 第48-49页 |
| ·Adaboost算法 | 第49-51页 |
| ·在线Boost ing算法 | 第51-52页 |
| ·多示例学习 | 第52-54页 |
| ·多示例学习的由来 | 第52-53页 |
| ·多示例学习的概念 | 第53页 |
| ·多示例学习与传统方法的区别 | 第53-54页 |
| ·在线多示例学习Boosting算法 | 第54-56页 |
| ·基于多示例的粒子滤波跟踪算法 | 第56-57页 |
| ·实验结果与分析 | 第57-62页 |
| ·未发生遮挡时跟踪目标行人 | 第58-59页 |
| ·发生部分遮挡时跟踪目标行人 | 第59-60页 |
| ·跟踪颜色单一的目标车辆 | 第60-61页 |
| ·跟踪颜色丰富的目标车辆 | 第61-62页 |
| ·实验结果总结 | 第62页 |
| ·本章小结 | 第62-63页 |
| 5 总结与展望 | 第63-65页 |
| ·本文的工作总结 | 第63-64页 |
| ·研究展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 索引 | 第69-70页 |
| 作者简历 | 第70-72页 |
| 学位论文数据集 | 第72页 |
