| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-11页 |
| 第一章 绪论 | 第11-13页 |
| 1.1 运动目标跟踪的研究意义 | 第11-12页 |
| 1.2 论文结构安排 | 第12-13页 |
| 第二章 运动目标跟踪方法综述 | 第13-24页 |
| 2.1 引言 | 第13页 |
| 2.2 跟踪器的初始化 | 第13-15页 |
| 2.3 目标建模与特征选择 | 第15-18页 |
| 2.4 跟踪算法 | 第18-22页 |
| 2.4.1 基于概率滤波的方法 | 第18-20页 |
| 2.4.2 基于优化的方法 | 第20-22页 |
| 2.5 多目标跟踪问题 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 基于颜色直方图和 ORB 特征的目标跟踪方法 | 第24-36页 |
| 3.1 引言 | 第24-25页 |
| 3.2 ORB 局部特征 | 第25-27页 |
| 3.2.1 FAST 特征点定位 | 第25页 |
| 3.2.2 FAST 特征点的主方向计算 | 第25-26页 |
| 3.2.3 rBRIEF:抗旋转的 BRIEF 描述子 | 第26-27页 |
| 3.3 基于 ORB 特征的目标跟踪 | 第27-32页 |
| 3.3.1 贝叶斯滤波框架 | 第27-29页 |
| 3.3.2 观测模型构建 | 第29-31页 |
| 3.3.3 运动模型 | 第31页 |
| 3.3.4 算法流程描述 | 第31-32页 |
| 3.4 实验结果及其分析 | 第32-35页 |
| 3.4.1 实验平台及方法实现说明 | 第32页 |
| 3.4.2 跟踪实验结果与分析 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于检测器融合的行人跟踪方法 | 第36-52页 |
| 4.1 引言 | 第36-37页 |
| 4.2 行人检测 | 第37-40页 |
| 4.2.1 特征提取 | 第37-38页 |
| 4.2.2 分类器训练 | 第38-39页 |
| 4.2.3 行人检测 | 第39页 |
| 4.2.4 采用 GPU 加速 | 第39-40页 |
| 4.3 改进的背景采样运动分割方法 | 第40-43页 |
| 4.3.1 基于背景采样的运动分割方法 | 第40-41页 |
| 4.3.2 对阴影鲁棒的背景采样运动分割方法 | 第41-43页 |
| 4.4 跟踪算法设计 | 第43-47页 |
| 4.4.1 团块生成 | 第43页 |
| 4.4.2 目标跟踪 | 第43-45页 |
| 4.4.3 算法流程描述 | 第45-47页 |
| 4.5 实验结果及分析 | 第47-51页 |
| 4.5.1 实验平台及方法实现说明 | 第47页 |
| 4.5.2 改进的背景采样运动分割实验结果 | 第47-49页 |
| 4.5.3 融合检测器的行人跟踪实验 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 结论与展望 | 第52-54页 |
| 5.1 本文主要的工作 | 第52-53页 |
| 5.2 下一步的工作展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者在攻读硕士学位期间公开发表的论文 | 第58-59页 |
| 致谢 | 第59页 |