基于粒子滤波与半监督多分类器的视频跟踪
| 中文摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第8-19页 |
| 1.1 研究背景 | 第8页 |
| 1.2 视频物体跟踪系统的组成分类 | 第8-10页 |
| 1.3 生成性跟踪方法和区别性跟踪方法 | 第10-11页 |
| 1.4 在线更新的自适应外观模型 | 第11-12页 |
| 1.5 分类器在线更新的半监督学习框架 | 第12-14页 |
| 1.6 多分类器系统 | 第14-16页 |
| 1.7 主要研究内容与创新 | 第16-17页 |
| 1.8 其它部分的内容安排 | 第17-19页 |
| 第2章 粒子滤波行人跟踪 | 第19-34页 |
| 2.1 引言 | 第19-21页 |
| 2.2 算法整体框架 | 第21-23页 |
| 2.3 粒子滤波 | 第23-25页 |
| 2.4 模型设计 | 第25-30页 |
| 2.5 算法复杂度分析 | 第30页 |
| 2.6 实验 | 第30-34页 |
| 第3章 半监督多分类器系统 | 第34-42页 |
| 3.1 协同训练和自训练 | 第34-35页 |
| 3.2 算法流程框架 | 第35-38页 |
| 3.3 分类结果融合方法 | 第38-40页 |
| 3.4 Mean shift峰值搜索 | 第40-42页 |
| 第4章 增量支持向量机超像素分类 | 第42-48页 |
| 4.1 超像素表示与特征 | 第42-45页 |
| 4.2 增量支持向量机 | 第45-46页 |
| 4.3 Mean shift聚类初始化 | 第46-47页 |
| 4.4 基于分类的物体跟踪 | 第47-48页 |
| 第5章 在线随机霍夫森林 | 第48-60页 |
| 5.1 随机森林 | 第48-52页 |
| 5.2 随机霍夫森林 | 第52-57页 |
| 5.3 在线随机霍夫森林 | 第57-60页 |
| 第6章 物体跟踪实验 | 第60-69页 |
| 6.1 实验数据集 | 第60-61页 |
| 6.2 评测指标 | 第61-62页 |
| 6.3 实验结果与分析 | 第62-69页 |
| 第7章 总结与展望 | 第69-73页 |
| 7.1 主要创新贡献 | 第69-70页 |
| 7.2 不足与未来方向 | 第70-73页 |
| 参考文献 | 第73-85页 |
| 致谢 | 第85-86页 |
| 硕士学位期间发表的学术论文 | 第86-87页 |
