首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

非刚性目标的跟踪-学习-检测算法研究

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

论文共82页,点击 下载论文
上一篇:成工职校中职教师综合素质评价模型及软件实现
下一篇:基于WEB的招标系统的设计与实现