复杂背景下目标跟踪算法研究及其在移动机器人中的应用
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题背景和选题意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·国内外研究动态 | 第10-11页 |
| ·目标跟踪的算法研究 | 第11-12页 |
| ·本文的主要工作和结构安排 | 第12-14页 |
| 第二章 图像去噪及目标描述 | 第14-30页 |
| ·引言 | 第14页 |
| ·图像去噪 | 第14-19页 |
| ·图像噪声分析 | 第14-15页 |
| ·均值滤波器 | 第15-16页 |
| ·中值滤波器 | 第16-17页 |
| ·基于小波变换的图像去噪 | 第17-19页 |
| ·目标特征描述及提取 | 第19-29页 |
| ·颜色特征 | 第19-23页 |
| ·纹理特征 | 第23-25页 |
| ·Haar-like 特征 | 第25-27页 |
| ·基于多特征融合的目标描述 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 运动目标检测 | 第30-55页 |
| ·引言 | 第30页 |
| ·相邻帧差法 | 第30-31页 |
| ·背景差分法 | 第31-33页 |
| ·光流场法 | 第33-34页 |
| ·块匹配法 | 第34-36页 |
| ·基于机器学习的目标检测 | 第36-46页 |
| ·人工神经网络 | 第36-38页 |
| ·支持向量机 | 第38-40页 |
| ·AdaBoost 算法 | 第40-43页 |
| ·遗传算法 | 第43-46页 |
| ·基于改进AdaBoost 算法的目标检测 | 第46-54页 |
| ·冗余特征的去除策略 | 第46页 |
| ·弱分类器的优化选择 | 第46-47页 |
| ·强分类器训练改进算法 | 第47-48页 |
| ·基于遗传算法的弱分类器权值优化 | 第48-50页 |
| ·级联检测技术的优化 | 第50-51页 |
| ·实验验证 | 第51-54页 |
| ·本章小结 | 第54-55页 |
| 第四章 运动目标跟踪 | 第55-77页 |
| ·引言 | 第55-56页 |
| ·Camshift 算法 | 第56-61页 |
| ·Meanshift 算法 | 第56-58页 |
| ·Camshift 算法框架 | 第58-61页 |
| ·卡尔曼滤波 | 第61-63页 |
| ·卡尔曼滤波基本原理 | 第61-62页 |
| ·扩展卡尔曼滤波 | 第62-63页 |
| ·粒子滤波 | 第63-67页 |
| ·贝叶斯重要性采样 | 第63-65页 |
| ·序列重要性采样 | 第65-66页 |
| ·退化问题 | 第66-67页 |
| ·粒子滤波的实现过程 | 第67页 |
| ·基于改进粒子滤波的目标跟踪算法 | 第67-76页 |
| ·观测值测量和目标模板更新策略 | 第68-69页 |
| ·基于改进AdaBoost 算法的参考分布 | 第69-70页 |
| ·似然性 p (z_t|x_t )的估计 | 第70-71页 |
| ·改进粒子滤波跟踪算法的实现 | 第71页 |
| ·实验验证 | 第71-76页 |
| ·本章小结 | 第76-77页 |
| 第五章 目标跟踪算法在机器人平台上的应用 | 第77-84页 |
| ·引言 | 第77页 |
| ·跟踪系统硬件环境 | 第77-80页 |
| ·系统软件环境 | 第80-82页 |
| ·DirectShow 技术 | 第81页 |
| ·OpenCV 开源工具包 | 第81-82页 |
| ·决策系统 | 第82-83页 |
| ·本章小结 | 第83-84页 |
| 总结与展望 | 第84-86页 |
| 参考文献 | 第86-89页 |
| 攻读硕士学位期间取得的研究成果 | 第89-90页 |
| 致谢 | 第90页 |
