结合跟踪技术的视频目标分割方法研究
| 论文摘要 | 第1-5页 |
| Abstract of Thesis | 第5-8页 |
| 引言 | 第8-9页 |
| 1 绪论 | 第9-15页 |
| ·视频目标分割 | 第9-11页 |
| ·视频目标分割研究现状 | 第10-11页 |
| ·视频目标跟踪 | 第11-13页 |
| ·基于判别模型的跟踪算法 | 第12-13页 |
| ·本文的研究内容与贡献 | 第13-14页 |
| ·本文的组织 | 第14-15页 |
| 2 P-N学习、随机蕨丛以及TLD跟踪算法 | 第15-27页 |
| ·P-N学习 | 第15-17页 |
| ·基于BRIEF特征的随机蕨丛分类器 | 第17-21页 |
| ·BRIEF特征 | 第17-18页 |
| ·随机蕨丛的定义 | 第18-20页 |
| ·随机蕨丛的训练 | 第20-21页 |
| ·蕨与树对比 | 第21页 |
| ·TLD目标跟踪算法框架 | 第21-27页 |
| ·目标模型 | 第22-23页 |
| ·跟踪器 | 第23-24页 |
| ·检测器 | 第24-25页 |
| ·算法流程 | 第25-26页 |
| ·TLD的相关改进 | 第26-27页 |
| 3 基于P-N学习的长时间目标跟踪算法 | 第27-35页 |
| ·基于卡尔曼滤波的检测框过滤器 | 第28-31页 |
| ·卡尔曼滤波目标运动预估 | 第28-30页 |
| ·利用预估信息生成检测范围 | 第30-31页 |
| ·改进后的检测器 | 第31页 |
| ·基于随机蕨丛的组合分类器 | 第31-34页 |
| ·随机蕨丛分类器 | 第32页 |
| ·随机蕨丛分类器的P-N学习 | 第32-34页 |
| ·算法流程 | 第34页 |
| ·本章小结 | 第34-35页 |
| 4 结合跟踪技术的视频目标分割算法 | 第35-39页 |
| ·基于随机蕨丛与高斯混合模型的分割算法 | 第35-37页 |
| ·融合随机蕨丛的高斯混合模型 | 第36页 |
| ·分割模型的P-N学习 | 第36-37页 |
| ·集成算法框架 | 第37-38页 |
| ·集成算法流程 | 第38页 |
| ·本章小结 | 第38-39页 |
| 5 实验结果及分析 | 第39-50页 |
| ·基于P-N学习的长时间目标跟踪算法 | 第39-43页 |
| ·测试数据集说明 | 第39-40页 |
| ·跟踪准确度 | 第40-41页 |
| ·处理速度 | 第41-42页 |
| ·预估检测区域与学习频率 | 第42-43页 |
| ·结合跟踪技术的视频目标分割算法 | 第43-49页 |
| ·随机蕨丛像素分类及分割效果 | 第43-46页 |
| ·结合跟踪技术的视频目标分割算法 | 第46-49页 |
| ·本章小结 | 第49-50页 |
| 6 总结与展望 | 第50-52页 |
| 参考文献 | 第52-57页 |
| 在学研究成果 | 第57-58页 |
| 致谢 | 第58页 |
