基于机器学习的目标检测与跟踪算法研究
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-11页 |
| 第一章 绪论 | 第11-14页 |
| ·研究背景和意义 | 第11-12页 |
| ·研究现状 | 第12-13页 |
| ·目标检测与跟踪的难点要点 | 第13页 |
| ·本文主要研究内容及章节安排 | 第13-14页 |
| 第二章 机器学习与目标检测和跟踪 | 第14-20页 |
| ·机器学习概论 | 第14页 |
| ·基于机器学习的目标检测 | 第14-16页 |
| ·基于机器学习的目标跟踪 | 第16-20页 |
| ·在线Adaboost跟踪算法 | 第17-18页 |
| ·基于多样本学习的目标跟踪 | 第18-20页 |
| 第三章 图像特征描述 | 第20-33页 |
| ·图像特征 | 第20页 |
| ·常用的几种特征 | 第20-21页 |
| ·SIFT特征 | 第21-29页 |
| ·SIFT特征提取流程 | 第21-22页 |
| ·图像尺度空间的概念 | 第22-23页 |
| ·DOG特征点检测 | 第23-25页 |
| ·特征点主方向计算 | 第25-26页 |
| ·SIFT描述子的生成 | 第26-28页 |
| ·SIFT特征小结 | 第28-29页 |
| ·DAISY特征 | 第29-33页 |
| ·DAISY的基本结构 | 第29-30页 |
| ·DAISY描述子的生成 | 第30-33页 |
| 第四章 霍夫森林分类器 | 第33-54页 |
| ·霍夫变换 | 第33-39页 |
| ·霍夫变换简介 | 第33-34页 |
| ·霍夫变换检测圆 | 第34-37页 |
| ·广义的霍夫变换 | 第37-38页 |
| ·霍夫变换小节 | 第38-39页 |
| ·随机森林分类器 | 第39-44页 |
| ·决策树算法 | 第39-40页 |
| ·选取决策属性 | 第40-43页 |
| ·随机森林简介 | 第43-44页 |
| ·霍夫森林 | 第44-48页 |
| ·霍夫森林的基本概念 | 第44-45页 |
| ·基于霍夫森林的目标分类 | 第45-48页 |
| ·结合DAISY特征与霍夫森林分类器的目标跟踪 | 第48-54页 |
| ·算法的基本思想 | 第48页 |
| ·DAISY描述目标表面集 | 第48-49页 |
| ·用霍夫森林生成目标码本集 | 第49-50页 |
| ·码本更新 | 第50-52页 |
| ·实验结果及分析 | 第52-54页 |
| 第五章 总结与展望 | 第54-55页 |
| ·总结 | 第54页 |
| ·展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 附录 | 第59页 |
