基于局部方向梯度直方图的快速目标跟踪
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-16页 |
| 1.1.1 视频监控 | 第13-14页 |
| 1.1.2 智能交通 | 第14页 |
| 1.1.3 无人机 | 第14页 |
| 1.1.4 人脸识别 | 第14-16页 |
| 1.2 相关研究工作 | 第16-18页 |
| 1.2.1 基于轮廓的跟踪算法 | 第16页 |
| 1.2.2 基于特征的跟踪算法 | 第16-17页 |
| 1.2.3 基于区域的跟踪算法 | 第17-18页 |
| 1.2.4 基于模型的跟踪算法 | 第18页 |
| 1.3 本文工作及组织结构 | 第18-21页 |
| 第二章 基于检测的跟踪相关技术 | 第21-37页 |
| 2.1 概述 | 第21-22页 |
| 2.2 特征表示 | 第22-26页 |
| 2.2.1 颜色特征 | 第22-23页 |
| 2.2.2 纹理特征 | 第23-25页 |
| 2.2.3 形状特征 | 第25-26页 |
| 2.2.4 空间关系特征 | 第26页 |
| 2.3 分类器 | 第26-33页 |
| 2.3.1 线性回归 | 第26-27页 |
| 2.3.2 逻辑回归 | 第27-28页 |
| 2.3.3 决策树 | 第28-29页 |
| 2.3.4 朴素贝叶斯分类器 | 第29-30页 |
| 2.3.5 支持向量机 | 第30-31页 |
| 2.3.6 Boosting分类器 | 第31-33页 |
| 2.4 P-N学习 | 第33-34页 |
| 2.5 本章小结 | 第34-37页 |
| 第三章 基于局部方向梯度直方图的快速目标跟踪 | 第37-45页 |
| 3.1 方向梯度直方图 | 第37-39页 |
| 3.1.1 HOG的计算 | 第37-38页 |
| 3.1.2 局部方向梯度直方图提取 | 第38-39页 |
| 3.2 循环矩阵 | 第39-40页 |
| 3.3 算法实现 | 第40-43页 |
| 3.3.1 分类器构建和更新 | 第40-41页 |
| 3.3.2 特征降维 | 第41-42页 |
| 3.3.3 二次检测 | 第42-43页 |
| 3.3.4 算法框架 | 第43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 实验及结果讨论 | 第45-53页 |
| 4.1 实验设置 | 第45-46页 |
| 4.1.1 实验环境 | 第45页 |
| 4.1.2 测试平台介绍 | 第45页 |
| 4.1.3 参数设置 | 第45页 |
| 4.1.4 衡量标准 | 第45-46页 |
| 4.2 LHOG不同参数实验对比及讨论 | 第46-47页 |
| 4.3 LHOG与其他算法实验对比及讨论 | 第47-51页 |
| 4.3.1 速度对比及讨论 | 第47-48页 |
| 4.3.2 中心误差对比及讨论 | 第48-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 总结和展望 | 第53-55页 |
| 5.1 研究总结 | 第53页 |
| 5.2 研究展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-61页 |
| 作者简介 | 第61-62页 |
