基于最小生成树模型的多目标跟踪算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 目标跟踪技术国内外研究现状 | 第11-13页 |
| 1.3 论文的主要工作 | 第13-15页 |
| 1.4 论文的结构安排 | 第15-16页 |
| 第2章 图像特征提取 | 第16-34页 |
| 2.1 图像特征 | 第16-24页 |
| 2.1.1 LBP特征 | 第16-20页 |
| 2.1.2 Haar-like特征 | 第20-21页 |
| 2.1.3 SIFT特征 | 第21-24页 |
| 2.1.4 HOG特征 | 第24页 |
| 2.2 HOG特征提取方法 | 第24-28页 |
| 2.2.1 图像梯度计算 | 第25-26页 |
| 2.2.2 空间以及方向上的梯度统计 | 第26-27页 |
| 2.2.3 块内梯度直方图的归一化 | 第27-28页 |
| 2.2.4 最终HOG特征向量的生成 | 第28页 |
| 2.3 基于HOG特征的目标描述 | 第28-30页 |
| 2.4 特征提取实验结果 | 第30-34页 |
| 第3章 SVM机器学习算法 | 第34-44页 |
| 3.1 支持向量机(SVM)原理 | 第34页 |
| 3.2 SVM分类器的数学模型 | 第34-40页 |
| 3.2.1 线性可分情况下的SVM模型 | 第34-38页 |
| 3.2.2 线性不可分情况下的SVM模型 | 第38-39页 |
| 3.2.3 非线性可分情况下的SVM模型 | 第39-40页 |
| 3.3 SVM分类器设计 | 第40-41页 |
| 3.4 基于HOG和SVM的目标外观模型 | 第41-44页 |
| 3.4.1 目标外观模型建立 | 第41页 |
| 3.4.2 SVM分类器训练 | 第41-44页 |
| 第4章 基于可变形模板的多目标跟踪模型构建 | 第44-54页 |
| 4.1 可变形模板概述 | 第44页 |
| 4.2 图结构模型 | 第44-48页 |
| 4.2.1 图的基本概念 | 第46-47页 |
| 4.2.2 表示图像结构特征的图 | 第47-48页 |
| 4.3 构造最小生成树 | 第48-50页 |
| 4.4 建立跟踪模型 | 第50-54页 |
| 第5章 基于SVM在线学习的模型参数更新 | 第54-66页 |
| 5.1 在线学习跟踪算法概述 | 第54-55页 |
| 5.2 SVM在线学习跟踪框架 | 第55-56页 |
| 5.3 结构化的SVM学习 | 第56-60页 |
| 5.3.1 结构化的SVM | 第56-58页 |
| 5.3.2 结构化学习 | 第58-60页 |
| 5.4 实验与结果分析 | 第60-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 读研期间研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
