基于Adaboost检测和相关向量机回归预测的多目标跟踪算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-14页 |
| ·引言 | 第10页 |
| ·国内外研究与发展现状 | 第10-12页 |
| ·研究内容与组织架构 | 第12-13页 |
| ·本章小结 | 第13-14页 |
| 第二章 图像预处理 | 第14-23页 |
| ·引言 | 第14页 |
| ·图像去光照影响的方法研究 | 第14-18页 |
| ·直接灰度变换法 | 第14-16页 |
| ·简单线性灰度变换 | 第14-15页 |
| ·非线性灰度变换 | 第15-16页 |
| ·直方图均衡化 | 第16-18页 |
| ·直方图概述 | 第16页 |
| ·直方图均衡化处理 | 第16-18页 |
| ·图像去噪方法研究 | 第18-22页 |
| ·图像噪声概述 | 第18-19页 |
| ·邻域平均法 | 第19页 |
| ·中值滤波法 | 第19-21页 |
| ·小波变换法 | 第21-22页 |
| ·小波变换概述 | 第21页 |
| ·小波去噪原理 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 基于Adaboost 的运动目标检测 | 第23-35页 |
| ·引言 | 第23页 |
| ·目标特征提取 | 第23-28页 |
| ·类哈尔特征 | 第24-25页 |
| ·特征的快速计算 | 第25-27页 |
| ·特征数量优化 | 第27-28页 |
| ·级联Adaboost 分类器 | 第28-33页 |
| ·Adaboost 分类原理 | 第28-32页 |
| ·弱分类器的训练 | 第28-29页 |
| ·强分类器的集成 | 第29-30页 |
| ·训练轮数的确定 | 第30-32页 |
| ·级联分类器原理 | 第32-33页 |
| ·实验与分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于回归预测的单目标跟踪 | 第35-50页 |
| ·引言 | 第35页 |
| ·相关向量机 | 第35-37页 |
| ·相关向量机简介 | 第35-36页 |
| ·相关向量机回归 | 第36-37页 |
| ·目标运动特征描述 | 第37-41页 |
| ·目标运动分析 | 第38-39页 |
| ·目标图像二值化 | 第39-40页 |
| ·运动特征提取 | 第40-41页 |
| ·单目标跟踪 | 第41-44页 |
| ·训练样本集的选择 | 第41-42页 |
| ·RVM 样本训练 | 第42-43页 |
| ·RVM 回归跟踪 | 第43-44页 |
| ·跟踪鲁棒性的提高 | 第44-46页 |
| ·卡曼滤波器 | 第44-46页 |
| ·卡曼预测位移修正 | 第46页 |
| ·实验结果与分析 | 第46-49页 |
| ·实时性对比分析 | 第46-47页 |
| ·跟踪精度对比分析 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 多目标跟踪 | 第50-61页 |
| ·引言 | 第50页 |
| ·多目标区分 | 第50-56页 |
| ·颜色模型的选择 | 第50-52页 |
| ·空间颜色直方图 | 第52-53页 |
| ·SURF 特征 | 第53-55页 |
| ·相似性判断策略 | 第55-56页 |
| ·多目标运动预测 | 第56-57页 |
| ·实验结果与分析 | 第57-60页 |
| ·跟踪效果 | 第57-59页 |
| ·实时性分析 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 1. 全文总结 | 第61页 |
| 2. 工作展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69页 |
