基于超像素和压缩特征的目标跟踪算法研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 中文文摘 | 第5-9页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究目的与意义 | 第9页 |
| 1.2 目标跟踪综述 | 第9-15页 |
| 1.2.1 目标跟踪简介 | 第9-11页 |
| 1.2.2 评测方法 | 第11页 |
| 1.2.3 研究难点 | 第11-12页 |
| 1.2.4 研究现状 | 第12-13页 |
| 1.2.5 发展趋势 | 第13-15页 |
| 1.3 本文主要研究内容及组织结构 | 第15-17页 |
| 1.3.1 主要研究内容 | 第15页 |
| 1.3.2 本文章节安排 | 第15-17页 |
| 第二章 基于多近邻的超像素跟踪算法 | 第17-31页 |
| 2.1 超像素跟踪算法 | 第17-20页 |
| 2.1.1 超像素原理 | 第17-18页 |
| 2.1.2 meanshift聚类算法 | 第18页 |
| 2.1.3 贝叶斯跟踪框架 | 第18-19页 |
| 2.1.4 基于超像素的外观区分模型 | 第19页 |
| 2.1.5 运动模型 | 第19页 |
| 2.1.6 针对遮挡和漂移的在线更新 | 第19-20页 |
| 2.2 基于多近邻的超像素跟踪算法 | 第20-23页 |
| 2.2.1 确定最佳近邻个数 | 第20-21页 |
| 2.2.2 基于多近邻的置信度计算 | 第21-22页 |
| 2.2.3 算法的主要过程 | 第22-23页 |
| 2.3 实验结果及分析 | 第23-29页 |
| 2.3.1 实验设置 | 第23页 |
| 2.3.2 结果及分析 | 第23-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于超像素和压缩特征的目标跟踪算法 | 第31-49页 |
| 3.1 分水岭算法、投影压缩和随机森林 | 第31-33页 |
| 3.1.1 分水岭算法 | 第31-32页 |
| 3.1.2 投影压缩 | 第32页 |
| 3.1.3 随机森林 | 第32-33页 |
| 3.2 基于超像素和压缩特征的目标跟踪算法 | 第33-40页 |
| 3.2.1 构建分类器 | 第34-36页 |
| 3.2.2 寻找最佳候选目标 | 第36-37页 |
| 3.2.3 选择框内的目标区域判定 | 第37页 |
| 3.2.4 算法的主要过程 | 第37-40页 |
| 3.3 实验结果及分析 | 第40-47页 |
| 3.3.1 实验设置 | 第40页 |
| 3.3.2 结果及分析 | 第40-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第四章 总结与展望 | 第49-51页 |
| 4.1 本文工作总结 | 第49-50页 |
| 4.2 未来工作展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读学位期间承担的科研任务与主要成果 | 第55-57页 |
| 致谢 | 第57-59页 |
| 个人简历 | 第59-65页 |
