目标跟踪与背景减除算法研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-16页 |
| 第1章 引言 | 第16-24页 |
| ·研究背景与意义 | 第16-17页 |
| ·国内外研究现状分析 | 第17-22页 |
| ·背景减除技术 | 第17-18页 |
| ·目标跟踪技术 | 第18-22页 |
| ·本文研究工作 | 第22页 |
| ·内容安排 | 第22-24页 |
| 第2章 相关模型及理论 | 第24-36页 |
| ·贝叶斯理论 | 第24-32页 |
| ·贝叶斯滤波 | 第26-27页 |
| ·卡尔曼滤波 | 第27-30页 |
| ·粒子滤波 | 第30-32页 |
| ·EM理论 | 第32-35页 |
| ·EM算法 | 第32-34页 |
| ·扩展的EM算法 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第3章 非参数与半参数化目标跟踪 | 第36-65页 |
| ·目标跟踪算法介绍 | 第36-47页 |
| ·参数化跟踪 | 第36-38页 |
| ·非参数化跟踪 | 第38-44页 |
| ·半参数化跟踪 | 第44-46页 |
| ·小结 | 第46-47页 |
| ·改进的模板匹配跟踪算法-非参数化跟踪 | 第47-52页 |
| ·相似度度量的改进 | 第48-49页 |
| ·实验结果与分析 | 第49-52页 |
| ·改进的高斯粒子滤波跟踪算法-半参数化跟踪 | 第52-62页 |
| ·采样方法的改进 | 第52-53页 |
| ·采样方法的正确性证明 | 第53-55页 |
| ·基于高斯粒子滤波的轮廓跟踪 | 第55-58页 |
| ·实验结果与分析 | 第58-62页 |
| ·本章小结 | 第62-65页 |
| 第4章 在线背景减除 | 第65-113页 |
| ·背景减除算法介绍 | 第65-71页 |
| ·基于单高斯模型的背景减除算法 | 第65-66页 |
| ·基于多高斯模型的背景减除算法 | 第66-67页 |
| ·基于Graph-Cut的背景减除算法 | 第67-68页 |
| ·基于主成份分析的背景减除算法 | 第68-70页 |
| ·小结 | 第70-71页 |
| ·混合指数分布族参数估计 | 第71-77页 |
| ·混合指数分布族与充分统计量 | 第71-76页 |
| ·GMM背景模型与EM算法 | 第76-77页 |
| ·基于在线EM算法的背景减除 | 第77-93页 |
| ·在线EM算法 | 第77-83页 |
| ·实验结果与分析 | 第83-93页 |
| ·小结 | 第93页 |
| ·基于在线K-Means算法的背景减除 | 第93-111页 |
| ·K-Means同EM算法的关系 | 第94-95页 |
| ·广义K-Means算法 | 第95-96页 |
| ·广义在线K-Means算法 | 第96-99页 |
| ·实验结果与分析 | 第99-108页 |
| ·小结 | 第108-111页 |
| ·本章小结 | 第111-113页 |
| 第5章 基于背景减除的目标跟踪 | 第113-122页 |
| ·基于背景减除的目标跟踪流程 | 第113-116页 |
| ·背景减除 | 第113页 |
| ·减除结果处理 | 第113-116页 |
| ·目标跟踪 | 第116页 |
| ·实验结果与分析 | 第116-117页 |
| ·本章小结 | 第117-122页 |
| 第6章 总结与展望 | 第122-124页 |
| ·总结 | 第122-123页 |
| ·展望 | 第123-124页 |
| 参考文献 | 第124-133页 |
| 攻读博士学位期间主要研究成果 | 第133页 |
