基于随机森林的视觉跟踪算法研究及应用
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-19页 |
| ·课题研究背景与意义 | 第7-9页 |
| ·视觉目标跟踪的难点 | 第9-10页 |
| ·基于自适应表观模型的视觉目标跟踪研究现状 | 第10-16页 |
| ·生成模型 | 第11-13页 |
| ·鉴别模型 | 第13-16页 |
| ·论文主要工作及结构安排 | 第16-19页 |
| ·本文主要工作 | 第16-17页 |
| ·论文结构 | 第17-19页 |
| 2 基于随机森林的实时集成跟踪算法 | 第19-39页 |
| ·随机森林算法 | 第19-24页 |
| ·算法的随机特性 | 第19-20页 |
| ·随机树的生长 | 第20-23页 |
| ·随机森林的分类 | 第23页 |
| ·随机森林的优势 | 第23-24页 |
| ·基于集成学习的视觉跟踪算法 | 第24-26页 |
| ·基于随机森林的目标表观模型及跟踪算法 | 第26-30页 |
| ·表观模型的建立 | 第26-27页 |
| ·目标定位 | 第27-28页 |
| ·表观模型的更新 | 第28-29页 |
| ·目标特征 | 第29-30页 |
| ·实验与分析 | 第30-38页 |
| ·特征鉴别性度量 | 第32-33页 |
| ·表观模型的更新效果 | 第33-35页 |
| ·算法实时性和对比实验 | 第35-38页 |
| ·本章小结 | 第38-39页 |
| 3 基于增量式随机森林的视觉跟踪算法 | 第39-63页 |
| ·增量式随机森林 | 第40-46页 |
| ·在线Bagging | 第40-41页 |
| ·随机决策树的增量式生长 | 第41-44页 |
| ·在数据集上的分类能力 | 第44-46页 |
| ·基于增量随机森林的表观模型 | 第46-49页 |
| ·表观模型的初始化 | 第47页 |
| ·表观模型的更新 | 第47-49页 |
| ·基于粒子滤波的跟踪框架 | 第49-51页 |
| ·贝叶斯滤波与视觉目标跟踪 | 第49-50页 |
| ·粒子状态空间 | 第50页 |
| ·状态转移模型 | 第50-51页 |
| ·观测模型 | 第51页 |
| ·目标多特征融合 | 第51-54页 |
| ·基于粒子状态空间分布的特征权重计算 | 第51-53页 |
| ·目标特征 | 第53-54页 |
| ·算法总体流程 | 第54-55页 |
| ·实验与分析 | 第55-61页 |
| ·实现细节与实验设置 | 第55-56页 |
| ·跟踪算法性能的定性与定量分析 | 第56-61页 |
| ·本章小结 | 第61-63页 |
| 4 基于PTZ摄像机的主动跟踪系统 | 第63-75页 |
| ·主动跟踪系统框架 | 第63-65页 |
| ·硬件框架 | 第63页 |
| ·软件框架 | 第63-65页 |
| ·PTZ摄像机控制 | 第65-69页 |
| ·Pan/Tilt控制 | 第66-67页 |
| ·Zoom控制 | 第67页 |
| ·PTZ控制效果及分析 | 第67-69页 |
| ·目标检测与跟踪 | 第69-73页 |
| ·基于AdaBoost的人脸检测 | 第69页 |
| ·基于肤色检测的人脸验证 | 第69-71页 |
| ·基于极限随机森林的集成跟踪 | 第71页 |
| ·目标检测和跟踪框架 | 第71-72页 |
| ·PTZ摄像机人脸检测与跟踪结果 | 第72-73页 |
| ·本章小结 | 第73-75页 |
| 5 总结与展望 | 第75-77页 |
| ·本文工作总结 | 第75-76页 |
| ·作展望 | 第76-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 附录 | 第85页 |
