摘要 | 第1-7页 |
Abstract | 第7-10页 |
目录 | 第10-13页 |
图序 | 第13-15页 |
表序 | 第15-16页 |
第1章 绪论 | 第16-30页 |
·研究背景与意义 | 第16-17页 |
·视频监控的目标跟踪与识别框架研究 | 第17-18页 |
·国内外研究现状 | 第18-25页 |
·视频监控系统的研究现状 | 第18-20页 |
·主要视频监控算法的研究现状 | 第20-25页 |
·存在的关键问题 | 第25-26页 |
·论文主要研究工作及创新性成果 | 第26-28页 |
·论文的章节内容安排 | 第28-30页 |
第2章 局部特征与全局特征联合的光照变化自适应抑制 | 第30-52页 |
·引言 | 第30-32页 |
·LGA 算法概述 | 第32-33页 |
·结合全局特征的局部对比度增强 | 第33-39页 |
·SVLM 局部对比度增强原理 | 第34-36页 |
·对 SVLM 算法的改进 | 第36页 |
·基于全局特征的 SVLM 算法伽马系数自适应校正 | 第36-39页 |
·结合局部特征的全局增强 | 第39-44页 |
·直方图修正与平滑 | 第40-42页 |
·区域相似性直方图平滑 | 第42-44页 |
·实验结果分析 | 第44-50页 |
·视频图像增强的客观标准评价 | 第45-48页 |
·复杂光照下人脸检测与识别应用评价 | 第48-50页 |
·本章小结 | 第50-52页 |
第3章 在线极端学习机与粒子滤波级联的实时目标跟踪 | 第52-72页 |
·引言 | 第52-54页 |
·OSELM-PFT 算法涉及的基本理论 | 第54-58页 |
·标准 ELM 原理 | 第54-55页 |
·在线 ELM 原理 | 第55-56页 |
·传统粒子滤波算法原理 | 第56-58页 |
·OSELM-PFT 算法概述 | 第58-60页 |
·OSELM-PFT 算法设计 | 第60-63页 |
·OSELM-PFT 算法的分类器设计 | 第60-62页 |
·OSELM-PFT 目标定位算法设计 | 第62-63页 |
·实验结果与分析 | 第63-70页 |
·抗目标姿态变化跟踪 | 第64-66页 |
·抗目标遮挡跟踪 | 第66-67页 |
·快速运动目标的跟踪 | 第67-69页 |
·计算效率分析 | 第69-70页 |
·本章小结 | 第70-72页 |
第4章 基于视觉字典的在线 ELM 目标检测和跟踪 | 第72-84页 |
·引言 | 第72-73页 |
·BW-OSELM-PFT 算法概述 | 第73-74页 |
·BW-OSELM-PFT 目标检测和跟踪 | 第74-79页 |
·视觉字典的构建 | 第74-76页 |
·基于视觉字典的目标丢失判别 | 第76-77页 |
·基于 Ransac 的尺度与旋转系数计算 | 第77-78页 |
·视觉字典的更新 | 第78-79页 |
·实验结果分析 | 第79-83页 |
·目标丢失判别 | 第79-80页 |
·目标尺度变化 | 第80-81页 |
·抗遮挡性能 | 第81-82页 |
·计算复杂度分析 | 第82-83页 |
·本章小结 | 第83-84页 |
第5章 具有光照、姿态和尺度不变特性的视频人脸识别 | 第84-102页 |
·引言 | 第84-86页 |
·本章视频人脸识别算法概述 | 第86-88页 |
·基于概率外观流形的人脸识别算法 | 第88-92页 |
·概率外观流形 | 第88-91页 |
·学习流形和转移概率 | 第91页 |
·PAM 视频人脸识别过程 | 第91-92页 |
·基于图像集与概率外观流形的视频人脸识别方法 | 第92-97页 |
·模糊图像判别和去除 | 第92-93页 |
·流形姿态变化标定 | 第93-94页 |
·流形相似性度量 | 第94-97页 |
·实验结果分析 | 第97-99页 |
·Honda/UCSD 数据库实验结果分析 | 第98-99页 |
·网络数据库实验结果分析 | 第99页 |
·本章小结 | 第99-102页 |
第6章 总结与展望 | 第102-106页 |
·论文工作总结 | 第102-104页 |
·研究工作展望 | 第104-106页 |
参考文献 | 第106-120页 |
攻读博士学位期间发表学术论文与研究成果 | 第120-122页 |
致谢 | 第122-124页 |
作者简介 | 第124页 |