基于特征空间的多视角目标跟踪技术研究
| 目录 | 第2-4页 |
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究的背景 | 第8页 |
| 1.2 研究的挑战和问题 | 第8-11页 |
| 1.2.1 现实跟踪场景的复杂性 | 第9页 |
| 1.2.2 目标模型的构建 | 第9-10页 |
| 1.2.3 多视角之间的信息融合 | 第10-11页 |
| 1.2.4 问题小结 | 第11页 |
| 1.3 研究的现状 | 第11-13页 |
| 1.4 论文的主要工作和创新点 | 第13-14页 |
| 1.5 论文的结构安排 | 第14-15页 |
| 第2章 分布式多视角目标跟踪算法的框架 | 第15-30页 |
| 2.1 算法框架解决的问题 | 第15-16页 |
| 2.2 算法框架简介 | 第16-17页 |
| 2.3 算法详细介绍 | 第17-21页 |
| 2.3.1 基于贝叶斯框架的粒子滤波算法 | 第17-20页 |
| 2.3.2 基于SSIM的模型匹配 | 第20-21页 |
| 2.3.3 卡尔曼滤波 | 第21页 |
| 2.4 硬件系统的实现 | 第21-22页 |
| 2.5 软件实现与优化 | 第22-24页 |
| 2.5.1 算法优化 | 第23页 |
| 2.5.2 软件优化 | 第23-24页 |
| 2.6 仿真结果 | 第24-30页 |
| 2.6.1 系统跟踪效果 | 第24-27页 |
| 2.6.2 系统优化结果及运算负载测试 | 第27-30页 |
| 第3章 基于特征子空间的自适应跟踪算法 | 第30-46页 |
| 3.1 算法提出的背景 | 第30-31页 |
| 3.2 传统的特征子空间跟踪算法 | 第31-32页 |
| 3.3 自适应特征子空间跟踪算法 | 第32-35页 |
| 3.3.1 自适应模型更新的推导 | 第32-34页 |
| 3.3.2 更新权重的选取 | 第34页 |
| 3.3.3 模型更新的递推形式 | 第34-35页 |
| 3.4 多视角下的贝叶斯框架 | 第35-36页 |
| 3.5 分块观测模型 | 第36-37页 |
| 3.5.1 分块观测模型的似然 | 第36页 |
| 3.5.2 分块观测模型的更新权重 | 第36-37页 |
| 3.6 算法小结 | 第37-38页 |
| 3.7 仿真结果 | 第38-46页 |
| 3.7.1 与对比算法1进行对比仿真 | 第38-43页 |
| 3.7.2 与对比算法2进行对比仿真 | 第43-45页 |
| 3.7.3 仿真结果小结 | 第45-46页 |
| 第4章 基于稀疏空间的多视角模型融合算法 | 第46-58页 |
| 4.1 算法提出的背景 | 第46-47页 |
| 4.2 稀疏分解理论的简介 | 第47-49页 |
| 4.3 基于稀疏空间的多视角模型融合算法 | 第49-54页 |
| 4.3.1 问题的建模 | 第49-51页 |
| 4.3.2 基于稀疏分解的模型匹配与目标搜索 | 第51-52页 |
| 4.3.3 多视角模型更新和模型融合 | 第52-54页 |
| 4.3.4 算法流程小结 | 第54页 |
| 4.4 仿真结果 | 第54-58页 |
| 4.4.1 跟踪目标的稀疏表示 | 第54-55页 |
| 4.4.2 对比仿真 | 第55-58页 |
| 第5章 总结与展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间发表论文及竞赛情况 | 第64-65页 |
| 致谢 | 第65-66页 |
