基于多尺度多特征模板集和自适应动态模型的物体跟踪算法
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究目的和意义 | 第15-16页 |
| 1.2 物体跟踪技术研究现状 | 第16-19页 |
| 1.2.1 现有跟踪算法中的物体表征方法 | 第17-18页 |
| 1.2.2 现有跟踪算法中的运动预估方法 | 第18-19页 |
| 1.3 本文研究内容 | 第19-21页 |
| 第二章 物体跟踪技术基础 | 第21-37页 |
| 2.1 基于混合模板的物体跟踪算法 | 第21-25页 |
| 2.1.1 算法背景和研究动机 | 第21-22页 |
| 2.1.2 基于混合模板跟踪算法的核心思想 | 第22-23页 |
| 2.1.3 基于混合模板的跟踪算法流程 | 第23-25页 |
| 2.1.4 对基于混合模板跟踪算法的讨论 | 第25页 |
| 2.2 基于压缩感知的跟踪算法 | 第25-28页 |
| 2.2.1 压缩感知算法简介 | 第25-26页 |
| 2.2.2 压缩感知算法在物体跟踪领域的应用 | 第26-27页 |
| 2.2.3 对基于压缩感知的跟踪算法的讨论 | 第27-28页 |
| 2.3 基于粒子滤波的跟踪算法 | 第28-35页 |
| 2.3.1 粒子滤波算法理论基础 | 第28-33页 |
| 2.3.2 粒子滤波算法在物体跟踪领域的应用 | 第33-34页 |
| 2.3.3 对基于粒子滤波的跟踪算法的讨论 | 第34-35页 |
| 2.4 现有跟踪算法的对比 | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 基于多尺度多特征模板集的物体跟踪算法 | 第37-75页 |
| 3.1 算法核心思想 | 第37-39页 |
| 3.2 算法原理 | 第39-44页 |
| 3.2.1 算法整体流程 | 第39-40页 |
| 3.2.2 学习物体表征模型 | 第40-42页 |
| 3.2.3 物体检测流程 | 第42-44页 |
| 3.3 算法实现 | 第44-63页 |
| 3.3.1 系统初始化 | 第44-45页 |
| 3.3.2 模板集生成 | 第45-47页 |
| 3.3.3 正负样本选取 | 第47-48页 |
| 3.3.4 特征提取算法 | 第48-56页 |
| 3.3.5 模板原型生成 | 第56页 |
| 3.3.6 特征匹配 | 第56-57页 |
| 3.3.7 模板参数训练算法 | 第57-61页 |
| 3.3.8 物体检测算法 | 第61-62页 |
| 3.3.9 模板更新算法 | 第62-63页 |
| 3.4 实验结果及分析 | 第63-74页 |
| 3.4.1 实验参数与环境 | 第63页 |
| 3.4.2 实验数据集及评判标准 | 第63-64页 |
| 3.4.3 实验结果分析 | 第64-66页 |
| 3.4.4 不同干扰因素下的实验结果分析 | 第66-74页 |
| 3.5 本章小结 | 第74-75页 |
| 第四章 基于自适应动态模型的跟踪算法 | 第75-95页 |
| 4.1 算法核心思想 | 第75-76页 |
| 4.2 算法原理 | 第76-78页 |
| 4.3 算法实现 | 第78-85页 |
| 4.3.1 系统初始化及输入 | 第78-79页 |
| 4.3.2 粒子更新 | 第79-83页 |
| 4.3.3 粒子打分与权值计算 | 第83-84页 |
| 4.3.4 物体判定 | 第84-85页 |
| 4.3.5 预测效果判定 | 第85页 |
| 4.3.6 粒子重采样 | 第85页 |
| 4.4 实验结果及分析 | 第85-93页 |
| 4.4.1 实验参数与环境 | 第85-86页 |
| 4.4.2 实验结果分析 | 第86-88页 |
| 4.4.3 不同干扰因素下的实验结果分析 | 第88-93页 |
| 4.5 本章小结 | 第93-95页 |
| 第五章 总结与展望 | 第95-98页 |
| 5.1 全文工作总结 | 第95-97页 |
| 5.2 未来工作展望 | 第97-98页 |
| 参考文献 | 第98-107页 |
| 致谢 | 第107-108页 |
| 攻读学位期间发表的学术论文 | 第108页 |
