复杂场景下目标跟踪与轨迹识别的研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 视觉跟踪与轨迹识别技术发展的研究现状 | 第10-12页 |
| 1.2.1 常用的目标跟踪方法 | 第11-12页 |
| 1.2.2 常用的轨迹提取和识别方法 | 第12页 |
| 1.3 复杂场景下相关技术面临的挑战 | 第12-14页 |
| 1.4 论文内容组织 | 第14-15页 |
| 第2章 运动目标检测 | 第15-27页 |
| 2.1 运动目标检测算法 | 第15页 |
| 2.2 常用的运动目标检测算法 | 第15-20页 |
| 2.2.1 帧间差分法 | 第15-16页 |
| 2.2.2.光流法 | 第16-17页 |
| 2.2.3 背景减除法 | 第17-20页 |
| 2.3 ViBe背景减除算法 | 第20-24页 |
| 2.3.1 结合中值滤波的ViBe算法 | 第21页 |
| 2.3.2 基于ViBe算法的实时运动检测 | 第21-23页 |
| 2.3.3 形态学处理 | 第23-24页 |
| 2.4 实验与分析 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 运动目标跟踪 | 第27-48页 |
| 3.1 目标跟踪框架概述 | 第27-29页 |
| 3.1.1 运动目标的表观模型 | 第27-28页 |
| 3.1.2 目标的运动模型 | 第28-29页 |
| 3.1.3 搜索策略 | 第29页 |
| 3.2 压缩跟踪算法 | 第29-37页 |
| 3.2.1 压缩感知 | 第30-32页 |
| 3.2.2 Haar-like特征提取 | 第32-35页 |
| 3.2.3 朴素贝叶斯分类器 | 第35-37页 |
| 3.3 基于PSO改进的压缩跟踪算法 | 第37-43页 |
| 3.3.1 粒子群优化算法 | 第37-39页 |
| 3.3.2 基于PSO改进的压缩跟踪 | 第39-43页 |
| 3.4 实验结果与分析 | 第43-47页 |
| 3.4.1 粒子数的确定 | 第43-44页 |
| 3.4.2 PSO-CT跟踪性能分析 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 目标轨迹识别 | 第48-62页 |
| 4.1 轨迹提取与相似度 | 第48-51页 |
| 4.1.1 轨迹特征提取 | 第48-50页 |
| 4.1.2 轨迹距离与相似度测量 | 第50-51页 |
| 4.2 轨迹聚类 | 第51-53页 |
| 4.3 基于HMM的轨迹识别 | 第53-58页 |
| 4.3.1 HMM | 第53-54页 |
| 4.3.2 基于HMM的轨迹识别 | 第54-58页 |
| 4.4 实验结果与分析 | 第58-60页 |
| 4.5. 本章小结 | 第60-62页 |
| 第5章 实时目标跟踪的设计与实现 | 第62-68页 |
| 5.1 软硬件平台的搭建 | 第62页 |
| 5.2 实时视频流的获取与处理 | 第62-64页 |
| 5.2.1 视频数据的获取与SDK函数调用 | 第62-63页 |
| 5.2.2 视频数据的处理 | 第63-64页 |
| 5.3 模块功能 | 第64-65页 |
| 5.4 基于PSO-CT的实时目标跟踪测试 | 第65-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-71页 |
| 6.1 论文工作总结 | 第68-69页 |
| 6.2 工作展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第75-77页 |
| 致谢 | 第77页 |
