基于TLD多目标跟踪算法研究
摘要 | 第5-6页 |
ABSTRACT | 第6页 |
符号对照表 | 第10-11页 |
缩略语对照表 | 第11-15页 |
第一章 绪论 | 第15-19页 |
1.1 研究背景及意义 | 第15-16页 |
1.2 国内国外研究现状 | 第16页 |
1.2.1 国外研究成果概况 | 第16页 |
1.2.2 国内研究成果概况 | 第16页 |
1.3 本文主要研究内容与结构安排 | 第16-19页 |
第二章 相关基础知识介绍 | 第19-31页 |
2.1 运动目标检测 | 第19-21页 |
2.1.1 帧间差分法 | 第19-20页 |
2.1.2 背景相减法 | 第20-21页 |
2.2 运动目标跟踪 | 第21-23页 |
2.2.1 跟踪算法中光流法使用原理 | 第21-23页 |
2.2.2 光流法用于目标跟踪原理过程 | 第23页 |
2.3 随机森林理论介绍 | 第23-25页 |
2.3.1 决策树 | 第23-24页 |
2.3.2 随机森林 | 第24-25页 |
2.4 P-N学习理论介绍 | 第25-27页 |
2.4.1 监督学习、无监督学习和半监督学习 | 第25-26页 |
2.4.2 P-N学习过程 | 第26-27页 |
2.5 2bitBP特征介绍 | 第27-29页 |
2.5.1 Harr-like特征 | 第27-28页 |
2.5.2 2bitBP特征 | 第28-29页 |
2.6 本章小结 | 第29-31页 |
第三章 TLD理论框架及实现过程 | 第31-45页 |
3.1 TLD算法关键概念 | 第32-34页 |
3.1.1 目标框约定 | 第32-33页 |
3.1.2 滑动窗口 | 第33页 |
3.1.3 重叠度 | 第33页 |
3.1.4 相似度 | 第33页 |
3.1.5 在线模型 | 第33-34页 |
3.2 TLD算法的跟踪模块 | 第34-36页 |
3.2.1 TLD中值流跟踪 | 第34-35页 |
3.2.2 跟踪模块框架过程 | 第35-36页 |
3.3 TLD算法检测模块 | 第36-40页 |
3.3.1 方差分类器 | 第37-38页 |
3.3.2 集合分类器 | 第38-39页 |
3.3.3 最近邻分类器 | 第39-40页 |
3.4 TLD算法学习模块 | 第40-41页 |
3.4.1 P-N理论在学习模块中的应用 | 第40-41页 |
3.5 TLD算法综合模块 | 第41-43页 |
3.5.1 TLD综合模块框架 | 第41-42页 |
3.5.2 TLD综合模块具体分析 | 第42-43页 |
3.6 本章总结 | 第43-45页 |
第四章 TLD单目标扩展为多目标 | 第45-65页 |
4.1 TLD多目标算法改进思路 | 第45-46页 |
4.2 TLD多目标算法实现框架 | 第46页 |
4.3 多目标跟踪模块改进 | 第46-51页 |
4.4 多目标检测模块改进 | 第51-59页 |
4.4.1 多目标滑动窗口生成改进 | 第52-54页 |
4.4.2 多目标方差分类器改进 | 第54-55页 |
4.4.3 多目标集合分类器改进 | 第55-56页 |
4.4.4 多目标最近邻分类器改进 | 第56-59页 |
4.5 多目标学习模块改进 | 第59-60页 |
4.6 TLD多目标算法实现效果展示 | 第60-62页 |
4.7 本章总结 | 第62-65页 |
第五章 TLD多目标改进算法跟踪性能评估 | 第65-77页 |
5.1 TLD算法、TLD多目标算法性能对比 | 第65-69页 |
5.1.1 测试软硬件环境、测试内容和结果 | 第65-67页 |
5.1.2 TLD单目标与多目标测试数据分析 | 第67-69页 |
5.2 TLD多目标跟踪算法在实际场景中的测试 | 第69-75页 |
5.2.1 相似的两个行人跟踪测试 | 第69-71页 |
5.2.2 四个行人跟踪测试 | 第71-73页 |
5.2.3 多个车辆跟踪测试 | 第73-74页 |
5.2.4 多辆汽车夜景下跟踪测试 | 第74-75页 |
5.3 本章总结 | 第75-77页 |
第六章 结论和展望 | 第77-79页 |
6.1 研究结论 | 第77页 |
6.2 研究展望 | 第77-79页 |
参考文献 | 第79-81页 |
致谢 | 第81-83页 |
作者简介 | 第83页 |