基于图像处理的运动目标跟踪算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-12页 |
| ·课题研究的背景及意义 | 第7-8页 |
| ·目标跟踪研究现状 | 第8-10页 |
| ·本文研究内容 | 第10页 |
| ·论文组织结构 | 第10-12页 |
| 2 粒子滤波原理 | 第12-21页 |
| ·引言 | 第12-13页 |
| ·贝叶斯原理 | 第13-15页 |
| ·SIS粒子滤波与SIR粒子滤波 | 第15-19页 |
| ·选择较好的重要性概率密度函数 | 第18-19页 |
| ·引入重采样过程 | 第19页 |
| ·本章小结 | 第19-21页 |
| 3 基于P-N学习的跟踪器 | 第21-28页 |
| ·引言 | 第21页 |
| ·P-N学习介绍 | 第21-23页 |
| ·P-N学习过程的实现 | 第23-26页 |
| ·分类器自改善的实现 | 第23-24页 |
| ·约束条件(constraints)的形成 | 第24-26页 |
| ·本章小节 | 第26-28页 |
| 4 基于改进粒子滤波算法的目标跟踪研究 | 第28-44页 |
| ·引言 | 第28页 |
| ·粒子滤波存在的问题 | 第28页 |
| ·改进粒子滤波算法的重采样过程 | 第28-33页 |
| ·正则化(RPF)粒子滤波 | 第28-30页 |
| ·辅助采样(ASIR)重要性重采样滤波 | 第30-31页 |
| ·改进重采样过程取得的实验效果 | 第31-33页 |
| ·一种引入检测过程的改进重采样方法 | 第33-35页 |
| ·基于TLD跟踪器的粒子滤波算法实现 | 第35-43页 |
| ·构造应用于视频的TLD跟踪器 | 第36页 |
| ·分类器的描述 | 第36-37页 |
| ·约束条件的形成 | 第37-38页 |
| ·对视频帧的处理 | 第38-39页 |
| ·性能评价 | 第39页 |
| ·设定分类器的参数 | 第39-40页 |
| ·建立粒子滤波目标动态模型 | 第40-42页 |
| ·粒子滤波目标观测模型 | 第42页 |
| ·算法实现 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 5 改进的粒子滤波算法实现结果 | 第44-51页 |
| ·引言 | 第44页 |
| ·粒子滤波算法的跟踪效果 | 第44-46页 |
| ·基于P-N学习TLD跟踪器的实验 | 第46-48页 |
| ·本文提出算法的实验效果 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 6 结论 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士期间发表的论文 | 第56-57页 |
| 致谢 | 第57-59页 |
