基于随机蕨丛的长期目标跟踪方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 背景意义 | 第11-12页 |
| 1.1.1 目标跟踪中要解决的问题 | 第11页 |
| 1.1.2 目标跟踪算法原理 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 目标描述方法 | 第12-13页 |
| 1.2.2 目标跟踪方法 | 第13-15页 |
| 1.2.3 目标检测方法 | 第15-17页 |
| 1.3 本文结构与贡献 | 第17-21页 |
| 1.3.1 论文结构 | 第17-18页 |
| 1.3.2 贡献与创新 | 第18-21页 |
| 第2章 随机蕨丛算法概述 | 第21-31页 |
| 2.1 分类问题 | 第21-22页 |
| 2.2 决策树与随机森林 | 第22-25页 |
| 2.2.1 决策树算法概述 | 第22-24页 |
| 2.2.2 随机森林算法 | 第24-25页 |
| 2.3 随机蕨丛算法 | 第25-28页 |
| 2.3.1 组合特征表达 | 第25-26页 |
| 2.3.2 分类器的训练 | 第26-27页 |
| 2.3.3 随机森林与随机蕨丛 | 第27-28页 |
| 2.4 随机蕨丛在目标跟踪方法中的作用 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 目标跟踪方法研究 | 第31-43页 |
| 3.1 基于光流的跟踪理论概述 | 第31-34页 |
| 3.1.1 光流与运动的关系 | 第31-32页 |
| 3.1.2 光流基本约束方程 | 第32-33页 |
| 3.1.3 Lucas-Kanade跟踪算法 | 第33-34页 |
| 3.2 跟踪点评估 | 第34-36页 |
| 3.2.1 双向一致性误差 | 第35-36页 |
| 3.2.2 归一化互相关系数 | 第36页 |
| 3.3 目标跟踪方法实现 | 第36-38页 |
| 3.3.1 跟踪点设计 | 第36页 |
| 3.3.2 中值过滤的目标跟踪 | 第36-38页 |
| 3.4 实验与分析 | 第38-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 集成目标检测的跟踪方法研究 | 第43-57页 |
| 4.1 目标检测与目标模型 | 第43-44页 |
| 4.2 基于随机蕨丛的目标检测方法 | 第44-46页 |
| 4.2.1 图像块样本生成 | 第44页 |
| 4.2.2 训练样本集建立 | 第44-45页 |
| 4.2.3 输入模式生成 | 第45页 |
| 4.2.4 基于随机蕨丛的目标检测器 | 第45-46页 |
| 4.3 目标检测方法实现 | 第46-51页 |
| 4.3.1 方差过滤 | 第47页 |
| 4.3.2 随机蕨丛分类过滤 | 第47-48页 |
| 4.3.3 最近邻分类过滤 | 第48-51页 |
| 4.4 检测器与跟踪器的融合 | 第51-52页 |
| 4.5 实验与分析 | 第52-55页 |
| 4.6 本章小结 | 第55-57页 |
| 第5章 长期目标跟踪方法研究 | 第57-71页 |
| 5.1 基于约束学习的模型更新方法 | 第57-62页 |
| 5.1.1 约束学习 | 第57-59页 |
| 5.1.2 约束学习的更新策略选择 | 第59-60页 |
| 5.1.3 模型更新在目标跟踪中的实现 | 第60-62页 |
| 5.2 长期目标跟踪方法研究与评估 | 第62-64页 |
| 5.2.1 跟踪模块、检测模块与更新模块集成 | 第62-63页 |
| 5.2.2 目标跟踪结果评估 | 第63-64页 |
| 5.3 实验与分析 | 第64-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 攻读硕士期间发表的论文和获得的奖励 | 第79页 |
