单人体跟踪方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 目标跟踪技术的难点 | 第9页 |
| 1.4 论文的研究内容及章节安排 | 第9-12页 |
| 1.4.1 研究内容 | 第10页 |
| 1.4.2 章节安排 | 第10-12页 |
| 2 粒子滤波算法理论 | 第12-19页 |
| 2.1 贝叶斯滤波原理 | 第12-13页 |
| 2.2 基本粒子滤波算法 | 第13-18页 |
| 2.2.1 蒙特卡罗近似思想 | 第13-14页 |
| 2.2.2 贝叶斯重要性采样 | 第14-15页 |
| 2.2.3 序贯重要性采样 | 第15-16页 |
| 2.2.4 粒子滤波的退化及重采样 | 第16-17页 |
| 2.2.5 基本粒子滤波算法实现 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 3 基于目标分割和时空相似度的单人体跟踪方法 | 第19-41页 |
| 3.1 图像的阴影检测与去除 | 第19-25页 |
| 3.1.1 图像的阴影检测 | 第19-21页 |
| 3.1.2 图像的阴影去除 | 第21-25页 |
| 3.2 目标外观模型 | 第25-31页 |
| 3.2.1 分块模型 | 第25-26页 |
| 3.2.2 纹理模型 | 第26-28页 |
| 3.2.3 颜色模型 | 第28-31页 |
| 3.3 相似度度量准则 | 第31-35页 |
| 3.3.1 感知哈希编码特征的相似性度量 | 第31-32页 |
| 3.3.2 颜色直方图的相似性度量 | 第32-33页 |
| 3.3.3 时空相似度 | 第33-35页 |
| 3.4 基于目标分割和时空相似度的单人体跟踪方法 | 第35-40页 |
| 3.4.1 算法实现 | 第35-36页 |
| 3.4.2 实验结果与分析 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 基于深度学习的单人体跟踪方法 | 第41-60页 |
| 4.1 BP神经网络 | 第41-45页 |
| 4.1.1 神经元模型 | 第41-42页 |
| 4.1.2 多层前馈网络 | 第42-43页 |
| 4.1.3 反向传播算法 | 第43-45页 |
| 4.2 深度学习网络 | 第45-47页 |
| 4.2.1 自动编码机 | 第45-47页 |
| 4.2.2 叠层自动编码机 | 第47页 |
| 4.3 目标运动模型 | 第47-49页 |
| 4.4 目标更新 | 第49-50页 |
| 4.5 PN学习 | 第50-51页 |
| 4.5.1 PN学习原理 | 第50-51页 |
| 4.5.2 PN学习稳定性 | 第51页 |
| 4.6 基于深度学习的单人体跟踪方法 | 第51-59页 |
| 4.6.1 算法实现 | 第51-53页 |
| 4.6.2 实验结果与分析 | 第53-57页 |
| 4.6.3 本文两种方法对比 | 第57-59页 |
| 4.7 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 研究展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67页 |
