基于计算机视觉的复杂场景下目标跟踪研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-29页 |
| 1.1 研究背景和意义 | 第17-19页 |
| 1.1.1 计算机视觉 | 第17-18页 |
| 1.1.2 目标跟踪 | 第18-19页 |
| 1.2 研究现状分析 | 第19-23页 |
| 1.3 存在的问题和研究思路 | 第23-25页 |
| 1.4 论文研究内容和章节安排 | 第25-29页 |
| 第二章 相关理论介绍 | 第29-37页 |
| 2.1 特征提取 | 第29-31页 |
| 2.2 目标模型 | 第31-32页 |
| 2.3 目标检测 | 第32-34页 |
| 2.4 目标定位 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 基于局部模型的目标跟踪 | 第37-53页 |
| 3.1 遮挡和形变 | 第37-39页 |
| 3.2 霍夫局部模型 | 第39-42页 |
| 3.2.1 广义霍夫变换 | 第39-41页 |
| 3.2.2 隐形状模型 | 第41-42页 |
| 3.3 基于全局约束霍夫投票的目标跟踪 | 第42-47页 |
| 3.3.1 局部特征霍夫投票 | 第43-45页 |
| 3.3.2 柔性目标分割 | 第45-46页 |
| 3.3.3 全局约束下的似然计算 | 第46-47页 |
| 3.4 实验结果与分析 | 第47-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第四章 非单一目标跟踪 | 第53-83页 |
| 4.1 利用上下文强化的在线多目标跟踪 | 第53-68页 |
| 4.1.1 多目标跟踪 | 第53-55页 |
| 4.1.2 基于HOG特征的目标检测 | 第55-59页 |
| 4.1.3 目标检测融合 | 第59-62页 |
| 4.1.4 上下文强化的数据关联 | 第62-64页 |
| 4.1.5 起始终结和遮挡处理 | 第64-65页 |
| 4.1.6 实验结果与分析 | 第65-68页 |
| 4.2 群体目标的运动模式分析 | 第68-80页 |
| 4.2.1 群体目标场景 | 第68-70页 |
| 4.2.2 光流场提取 | 第70-72页 |
| 4.2.3 运动模式获取 | 第72-74页 |
| 4.2.4 利用运动模式的目标跟踪 | 第74-76页 |
| 4.2.5 实验结果与分析 | 第76-80页 |
| 4.3 本章小结 | 第80-83页 |
| 第五章 基于检测的融合式目标跟踪 | 第83-109页 |
| 5.1 基于AdaBoost的层级式融合目标跟踪 | 第83-95页 |
| 5.1.1 在线AdaBoost分类器 | 第84-87页 |
| 5.1.2 层级式融合目标跟踪 | 第87-92页 |
| 5.1.3 实验结果与分析 | 第92-95页 |
| 5.2 基于随机蕨的多信息融合目标跟踪 | 第95-107页 |
| 5.2.1 随机蕨算法 | 第96-98页 |
| 5.2.2 基于随机蕨的局部模型 | 第98-99页 |
| 5.2.3 超像素颜色分布模型 | 第99-102页 |
| 5.2.4 多信息融合跟踪及在线更新 | 第102-103页 |
| 5.2.5 实验结果与分析 | 第103-107页 |
| 5.3 本章小结 | 第107-109页 |
| 第六章 总结与展望 | 第109-113页 |
| 6.1 本文工作总结 | 第109-110页 |
| 6.2 本文主要创新点 | 第110-111页 |
| 6.3 未来工作展望 | 第111-113页 |
| 参考文献 | 第113-125页 |
| 致谢 | 第125-127页 |
| 作者简介 | 第127-128页 |
