摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第10-18页 |
1.1 研究目的与意义 | 第10-12页 |
1.2 研究背景与现状 | 第12-15页 |
1.3 研究内容与创新点 | 第15-16页 |
1.4 论文结构安排 | 第16-18页 |
第二章 基于软化模型的跟踪-学习-检测框架 | 第18-32页 |
2.1 引言 | 第18页 |
2.2 传统的目标跟踪-学习-检测算法 | 第18-27页 |
2.2.1 算法概述 | 第18-20页 |
2.2.2 目标跟踪模块 | 第20-22页 |
2.2.3 目标检测模块 | 第22-25页 |
2.2.4 在线学习模块 | 第25-26页 |
2.2.5 集成模块 | 第26-27页 |
2.3 传统跟踪-学习-检测算法的问题分析 | 第27-30页 |
2.4 基于软化模型的跟踪-学习-检测算法框架 | 第30页 |
2.5 本章小结 | 第30-32页 |
第三章 目标跟踪模块中的光流特征点选择策略 | 第32-48页 |
3.1 引言 | 第32页 |
3.2 基于结构化约束的传统光流跟踪算法 | 第32-36页 |
3.2.1 光流跟踪中的结构化约束分析 | 第32-33页 |
3.2.2 传统光流跟踪的模板选择问题 | 第33-36页 |
3.3 基于十字骨架模型的光流跟踪算法 | 第36-47页 |
3.3.1 基于矩阵奇异值分解的十字骨架模型设计 | 第37-40页 |
3.3.2 基于十字骨架模型的跟踪点去噪 | 第40-43页 |
3.3.3 基于中心-整体光流矢量的中心误差估计 | 第43-44页 |
3.3.4 中心迭代优化算法 | 第44-45页 |
3.3.5 基于十字骨架模型的跟踪点更新 | 第45-47页 |
3.4 本章小结 | 第47-48页 |
第四章 目标检测模块中的软化模型生成和匹配 | 第48-64页 |
4.1 引言 | 第48页 |
4.2 目标检测中的模板问题 | 第48-50页 |
4.3 基于K-means的全通道图像分割算法 | 第50-54页 |
4.3.1 原始图像灰度直方图提取与极值计算 | 第51-52页 |
4.3.2 基于灰度极值的K-means颜色降维算法 | 第52-53页 |
4.3.3 单色联通域精细分割与叠加 | 第53-54页 |
4.4 基于十字骨架模型的前景恢复算法 | 第54-58页 |
4.4.1 前景恢复算法概述 | 第54-55页 |
4.4.2 前景恢复算法实现 | 第55-58页 |
4.5 基于SRG的核心区域生长算法 | 第58-61页 |
4.6 软化模型匹配算法 | 第61-62页 |
4.7 本章小结 | 第62-64页 |
第五章 系统实现与实验验证 | 第64-74页 |
5.1 引言 | 第64页 |
5.2 基于软化模型的跟踪-学习-检测系统实现 | 第64-66页 |
5.3 实验与分析 | 第66-73页 |
5.3.1 实验数据库 | 第66-67页 |
5.3.2 实验结果 | 第67-71页 |
5.3.3 实验分析与总结 | 第71-73页 |
5.4 本章小结 | 第73-74页 |
第六章 总结 | 第74-76页 |
6.1 本文总结 | 第74页 |
6.2 未来展望 | 第74-76页 |
致谢 | 第76-77页 |
参考文献 | 第77-82页 |