基于特征学习的目标检测与跟踪技术研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 引言 | 第10页 |
| 1.2 选题背景及研究意义 | 第10-11页 |
| 1.3 研究现状与难点 | 第11-14页 |
| 1.3.1 研究现状 | 第11-13页 |
| 1.3.2 研究难点 | 第13-14页 |
| 1.4 文章组织结构 | 第14-16页 |
| 2 特征描述 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 几种常见的特征描述 | 第16-19页 |
| 2.2.1 颜色特征 | 第17页 |
| 2.2.2 边缘特征 | 第17-18页 |
| 2.2.3 点特征 | 第18-19页 |
| 2.3 Haar-like特征 | 第19-23页 |
| 2.3.1 Haar-like特征值计算 | 第20-22页 |
| 2.3.2 Haar-like特征如何表示目标 | 第22页 |
| 2.3.3 归一化Haar-like特征 | 第22-23页 |
| 2.4 LBP特征 | 第23-25页 |
| 2.4.1 LBP算子及其发展 | 第23-24页 |
| 2.4.2 LBP特征的性质 | 第24-25页 |
| 2.5 本章小结 | 第25-27页 |
| 3 基于特征学习的目标检测技术 | 第27-40页 |
| 3.1 引言 | 第27页 |
| 3.2 运动目标检测算法 | 第27-30页 |
| 3.2.1 帧差法 | 第27-28页 |
| 3.2.2 光流法 | 第28-29页 |
| 3.2.3 背景差法 | 第29-30页 |
| 3.3 算法框架 | 第30页 |
| 3.4 Adaboost算法 | 第30-32页 |
| 3.4.1 Adaboost算法原理 | 第31-32页 |
| 3.4.2 弱分类器生成 | 第32页 |
| 3.4.3 AdaBoost算法分析 | 第32页 |
| 3.5 算法改进 | 第32-33页 |
| 3.6 实验结果与分析 | 第33-38页 |
| 3.6.1 实验环境及训练样本介绍 | 第33-35页 |
| 3.6.2 训练分类器 | 第35-36页 |
| 3.6.3 测试结果与分析 | 第36-38页 |
| 3.7 本章小结 | 第38-40页 |
| 4 基于特征学习的目标跟踪技术 | 第40-50页 |
| 4.1 引言 | 第40页 |
| 4.2 MIL跟踪算法 | 第40-43页 |
| 4.2.1 构造正负样本包 | 第41页 |
| 4.2.2 学习训练分类器 | 第41-43页 |
| 4.2.3 利用MIL强分类器检测跟踪目标 | 第43页 |
| 4.3 改进的MIL目标跟踪算法 | 第43-45页 |
| 4.4 实验结果与分析 | 第45-49页 |
| 4.4.1 实验环境及参数设置 | 第45页 |
| 4.4.2 评价标准 | 第45-46页 |
| 4.4.3 实验结果与分析 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 论文主要工作总结 | 第50-51页 |
| 5.2 研究展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 作者简介及在学期间发表的学术论文与研究成果 | 第56页 |
