基于计算机视觉的运动汽车跟踪方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 视频跟踪的国内外研究现状 | 第12-13页 |
| 1.3 目标检测与跟踪研究现状 | 第13-16页 |
| 1.3.1 运动目标检测研究现状 | 第13-14页 |
| 1.3.2 运动目标跟踪研究现状 | 第14-16页 |
| 1.4 运动目标跟踪中的难点 | 第16页 |
| 1.5 本文研究的主要内容 | 第16-17页 |
| 1.6 本文的主要工作及章节安排 | 第17-20页 |
| 第2章 运动目标检测 | 第20-32页 |
| 2.1 引言 | 第20页 |
| 2.2 图像预处理 | 第20-25页 |
| 2.2.1 图像去噪 | 第20-23页 |
| 2.2.2 图像形态学 | 第23-25页 |
| 2.3 运动目标检测基本方法 | 第25-26页 |
| 2.3.1 光流法 | 第25页 |
| 2.3.2 帧间差分法 | 第25-26页 |
| 2.3.3 背景差分法 | 第26页 |
| 2.4 改进的运动目标检测算法 | 第26-31页 |
| 2.4.1 混合高斯模型 | 第27-29页 |
| 2.4.2 自适应的帧间/背景差分法 | 第29-30页 |
| 2.4.3 实验结果与分析 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于均值漂移的运动汽车目标跟踪 | 第32-46页 |
| 3.1 引言 | 第32-33页 |
| 3.2 均值漂移算法的原理 | 第33-34页 |
| 3.3 均值漂移算法的扩展 | 第34-37页 |
| 3.3.1 核函数定义 | 第34-35页 |
| 3.3.2 扩展的均值漂移算法推导 | 第35-37页 |
| 3.4 基于均值漂移的运动汽车目标跟踪 | 第37-41页 |
| 3.4.1 运动目标的描述 | 第37-38页 |
| 3.4.2 Bhattacharrya系数 | 第38-39页 |
| 3.4.3 目标定位 | 第39-40页 |
| 3.4.4 算法步骤 | 第40-41页 |
| 3.5 实验结果与分析 | 第41-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 基于粒子滤波的运动汽车目标跟踪 | 第46-66页 |
| 4.1 引言 | 第46-47页 |
| 4.2 贝叶斯滤波原理 | 第47-49页 |
| 4.3 粒子滤波算法 | 第49-54页 |
| 4.3.1 基于蒙特卡罗方法的粒子滤波基本原理 | 第49-50页 |
| 4.3.2 序贯重要性采样 | 第50-52页 |
| 4.3.3 粒子重采样 | 第52-54页 |
| 4.4 基于粒子滤波的运动汽车目标跟踪 | 第54-60页 |
| 4.4.1 粒子初始化 | 第55-56页 |
| 4.4.2 粒子预测 | 第56页 |
| 4.4.3 系统预测模型建立 | 第56-57页 |
| 4.4.4 粒子重采样和模板更新 | 第57-58页 |
| 4.4.5 目标定位 | 第58-59页 |
| 4.4.6 算法实现步骤 | 第59-60页 |
| 4.5 实验结果与分析 | 第60-64页 |
| 4.6 本章小结 | 第64-66页 |
| 第5章 基于MSPF的运动汽车目标跟踪 | 第66-78页 |
| 5.1 引言 | 第66-67页 |
| 5.2 基于信息融合的改进MS算法 | 第67-71页 |
| 5.2.1 目标颜色特征的求取 | 第67-68页 |
| 5.2.2 目标运动信息的求取 | 第68-69页 |
| 5.2.3 信息融合 | 第69页 |
| 5.2.4 基于信息融合的均值漂移算法 | 第69-71页 |
| 5.3 MSPF跟踪算法的实现 | 第71-73页 |
| 5.4 实验结果与分析 | 第73-77页 |
| 5.5 本章小结 | 第77-78页 |
| 结论 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 攻读硕士学位期间所发表的学术论文 | 第84-86页 |
| 致谢 | 第86页 |
