基于粒子滤波的视频运动目标跟踪
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 运动目标跟踪概述 | 第11-15页 |
| 1.2.1 运动目标跟踪应用 | 第11-12页 |
| 1.2.2 运动目标跟踪方法分类 | 第12-14页 |
| 1.2.3 运动目标跟踪难点 | 第14-15页 |
| 1.3 粒子滤波的发展和研究现状 | 第15-16页 |
| 1.3.1 粒子滤波算法概述 | 第15页 |
| 1.3.2 粒子滤波主要应用 | 第15-16页 |
| 1.3.3 粒子滤波主要研究方向 | 第16页 |
| 1.4 本文研究内容和结构安排 | 第16-18页 |
| 1.4.1 本文研究内容 | 第16-17页 |
| 1.4.2 本文结构安排 | 第17-18页 |
| 第二章 粒子滤波基本理论 | 第18-32页 |
| 2.1 引言 | 第18页 |
| 2.2 贝叶斯滤波理论 | 第18-21页 |
| 2.3 卡尔曼滤波算法 | 第21-24页 |
| 2.4 蒙特卡罗方法 | 第24-25页 |
| 2.5 粒子滤波原理 | 第25-29页 |
| 2.5.1 贝叶斯重要性采样 | 第25-27页 |
| 2.5.2 序贯重要性采样 | 第27-28页 |
| 2.5.3 粒子退化现象 | 第28-29页 |
| 2.5.4 重要性密度函数的选择 | 第29页 |
| 2.6 粒子滤波在运动目标跟踪中的实现步骤 | 第29-30页 |
| 2.7 本章小结 | 第30-32页 |
| 第三章 基于特征融合的粒子滤波运动目标跟踪 | 第32-50页 |
| 3.1 引言 | 第32页 |
| 3.2 颜色直方图特征提取 | 第32-36页 |
| 3.2.1 颜色模型的选择 | 第33-34页 |
| 3.2.2 HSV颜色空间量化 | 第34页 |
| 3.2.3 颜色直方图建立及相似性度量 | 第34-36页 |
| 3.3 边缘直方图特征提取 | 第36-39页 |
| 3.3.1 图像边缘检测 | 第36-37页 |
| 3.3.2 边缘直方图特征提取 | 第37-39页 |
| 3.4 特征融合 | 第39-40页 |
| 3.5 目标遮挡时的检测与跟踪算法 | 第40-42页 |
| 3.6 算法实现 | 第42-44页 |
| 3.7 实验结果与分析 | 第44-49页 |
| 3.7.1 目标未发生遮挡时的跟踪结果 | 第44-47页 |
| 3.7.2 目标发生遮挡时的跟踪结果 | 第47-49页 |
| 3.8 结论 | 第49-50页 |
| 第四章 背景建模和粒子滤波相结合的多目标跟踪 | 第50-61页 |
| 4.1 引言 | 第50页 |
| 4.2 基于无迹卡尔曼滤波背景建模目标检测算法 | 第50-54页 |
| 4.2.1 背景模型建立 | 第50-51页 |
| 4.2.2 无迹卡尔曼滤波样本点的选取 | 第51-52页 |
| 4.2.3 无迹卡尔曼滤波背景模型更新 | 第52-53页 |
| 4.2.4 实验结果 | 第53-54页 |
| 4.3 特征模板建立与更新 | 第54-55页 |
| 4.4 目标运动状态判定与关联 | 第55-57页 |
| 4.4.1 目标关联矩阵建立 | 第55页 |
| 4.4.2 目标运动状态判定 | 第55-56页 |
| 4.4.3 目标之间遮挡情况下的关联 | 第56页 |
| 4.4.4 目标合并情况下的关联 | 第56-57页 |
| 4.4.5 目标分裂情况下的关联 | 第57页 |
| 4.5 算法实现 | 第57-58页 |
| 4.6 实验结果与分析 | 第58-60页 |
| 4.7 结论 | 第60-61页 |
| 第五章 总结与展望 | 第61-62页 |
| 5.1 本文工作总结 | 第61页 |
| 5.2 未来工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考 文献 | 第63-69页 |
| 攻读硕士期间发表论文 | 第69页 |
