摘要 | 第7-9页 |
Abstract | 第9-10页 |
第1章 绪论 | 第13-25页 |
1.1 视频跟踪概述 | 第13-20页 |
1.1.1 历史由来 | 第13-14页 |
1.1.2 实用价值 | 第14-16页 |
1.1.3 跟踪算法概述 | 第16-18页 |
1.1.4 研究现状 | 第18-20页 |
1.2 基于粒子滤波的视频目标跟踪 | 第20-23页 |
1.2.1 贝叶斯滤波 | 第20-21页 |
1.2.2 基于粒子滤波的视频目标跟踪 | 第21-22页 |
1.2.3 视频目标跟踪难点 | 第22-23页 |
1.3 主要研究成果 | 第23页 |
1.4 论文主要工作及章节安排 | 第23-25页 |
第2章 粒子滤波器的基本原理 | 第25-43页 |
2.1 状态空间模型 | 第25-26页 |
2.2 递推贝叶斯滤波 | 第26-30页 |
2.2.1 贝叶斯定理 | 第26-27页 |
2.2.2 贝叶斯递推 | 第27-29页 |
2.2.3 贝叶斯滤波的解析 | 第29-30页 |
2.3 粒子滤波 | 第30-41页 |
2.3.1 蒙特卡洛方法 | 第30-31页 |
2.3.2 重要性采样(IS) | 第31-34页 |
2.3.3 序贯重要性采样(SIS) | 第34-36页 |
2.3.4 序贯重要性采样的退化问题 | 第36-37页 |
2.3.5 重要性密度函数的选择 | 第37-38页 |
2.3.6 重采样 | 第38-39页 |
2.3.7 粒子滤波器算法流程 | 第39-41页 |
2.4 粒子滤波存在的不足 | 第41页 |
2.5 小结 | 第41-43页 |
第3章 多特征自适应核粒子滤波目标跟踪 | 第43-69页 |
3.1 问题的提出和分析 | 第43-45页 |
3.2 核粒子滤波器 | 第45-47页 |
3.3 目标动态模型 | 第47-50页 |
3.3.1 自回归模型(AR) | 第48页 |
3.3.2 基于滑动权重窗的复杂运动的目标动态模型 | 第48-50页 |
3.4 目标多种观测特征 | 第50-54页 |
3.4.1 颜色特征 | 第50-52页 |
3.4.2 纹理特征 | 第52-53页 |
3.4.3 边缘特征 | 第53-54页 |
3.5 多特征自适应核粒子滤波视频跟踪算法 | 第54-63页 |
3.5.1 目标观测模型 | 第54-56页 |
3.5.2 多特征自适应目标观测模型 | 第56-59页 |
3.5.3 多特征自适应核粒子滤波视频跟踪算法 | 第59-63页 |
3.6 实验和分析 | 第63-67页 |
3.7 小结 | 第67-69页 |
第4章 信息融合的小生境优化粒子群粒子滤波视频跟踪 | 第69-90页 |
4.1 常规粒子滤波器的不足 | 第69-73页 |
4.1.1 原因分析 | 第69-71页 |
4.1.2 一些改进方法 | 第71-73页 |
4.2 小生境优化的粒子多种群算法 | 第73-79页 |
4.2.1 粒子群算法 | 第73-76页 |
4.2.2 小生境优化 | 第76-78页 |
4.2.3 小生境优化的粒子群算法 | 第78-79页 |
4.3 小生境优化粒子群粒子滤波 | 第79-85页 |
4.3.1 信息融合和算法框架 | 第79-83页 |
4.3.2 对比实验 | 第83-85页 |
4.4 小生境优化的粒子群粒子滤波视频跟踪算法 | 第85-87页 |
4.5 实验与分析 | 第87-89页 |
4.6 小结 | 第89-90页 |
第5章 多特征自适应NPSO粒子滤波视频人脸跟踪 | 第90-108页 |
5.1 人脸特征提取 | 第90-93页 |
5.1.1 LBP纹理直方图特征 | 第90-93页 |
5.1.2 加权颜色直方图 | 第93页 |
5.2 带运动趋势预测人脸状态转移模型 | 第93-95页 |
5.3 人脸跟踪算法 | 第95-103页 |
5.3.1 基本跟踪算法 | 第95-97页 |
5.3.2 模板更新和遮挡处理 | 第97-100页 |
5.3.3 人脸跟踪算法 | 第100-103页 |
5.4 实验和分析 | 第103-106页 |
5.5 小结 | 第106-108页 |
第6章 总结和展望 | 第108-111页 |
6.1 全文总结 | 第108-109页 |
6.2 研究展望 | 第109-111页 |
参考文献 | 第111-121页 |
攻博期间科研成果目录 | 第121-122页 |
致谢 | 第122页 |