基于视频的运动目标跟踪算法研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-15页 |
| ·研究背景与意义 | 第12-13页 |
| ·研究现状 | 第13页 |
| ·本文研究内容及其主要贡献 | 第13-15页 |
| 第2章 基于 Meanshift 算法的跟踪 | 第15-28页 |
| ·非参密度估计 | 第15-20页 |
| ·直方图估计 | 第15-16页 |
| ·Rosenblatt 估计 | 第16-17页 |
| ·最近邻域估计 | 第17页 |
| ·核函数估计 | 第17-20页 |
| ·颜色空间模型 | 第20-22页 |
| ·Meanshift 算法介绍 | 第22-25页 |
| ·算法描述 | 第23页 |
| ·目标模板的描述 | 第23-24页 |
| ·候选模板的描述 | 第24页 |
| ·模板相似度的描述 | 第24-25页 |
| ·算法具体的实现流程 | 第25-26页 |
| ·目标尺度的自适应调整 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于卡尔曼滤波法的跟踪 | 第28-44页 |
| ·贝叶斯估计 | 第28-29页 |
| ·Kalman 滤波理论 | 第29-34页 |
| ·kalman 预测理论 | 第30-32页 |
| ·kalman 滤波器参数 | 第32-33页 |
| ·kalman 滤波器扩散现象 | 第33-34页 |
| ·Kalman 滤波在非线性系统中应用 | 第34-40页 |
| ·EKF 的概述 | 第35-36页 |
| ·UKF 的概述 | 第36-40页 |
| ·Kalman 与 Meanshift 结合算法 | 第40-42页 |
| ·融合算法描述 | 第40-41页 |
| ·本文提出的分块思想在融合算法中的应用 | 第41-42页 |
| ·实验结果与分析 | 第42-43页 |
| ·本章小节 | 第43-44页 |
| 第4章 基于粒子滤波的跟踪 | 第44-68页 |
| ·蒙特卡洛方法 | 第44-47页 |
| ·Monte Carlo 原理 | 第44-45页 |
| ·Monte Carlo 特点 | 第45-47页 |
| ·粒子滤波器 | 第47-54页 |
| ·粒子滤波基本原理 | 第47-48页 |
| ·SIS 算法 | 第48-50页 |
| ·SIS 中的退化现象 | 第50-51页 |
| ·重要性函数选择 | 第51-52页 |
| ·粒子滤波算法描述 | 第52-54页 |
| ·几种改进的粒子滤波器 | 第54-58页 |
| ·协助粒子滤波 | 第54-56页 |
| ·正则粒子滤波 | 第56-57页 |
| ·高斯粒子滤波 | 第57-58页 |
| ·粒子滤波与 Meanshift 结合 | 第58-59页 |
| ·本文提出自适应的算法 | 第59-63页 |
| ·目标模板的选取 | 第60页 |
| ·噪声方差与粒子数目的自适应 | 第60-61页 |
| ·块模板尺度的自适应 | 第61-62页 |
| ·算法实现步骤 | 第62-63页 |
| ·实验结果与分析 | 第63-65页 |
| ·算法对比分析 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 第5章 总结与展望 | 第68-71页 |
| ·工作总结 | 第68-69页 |
| ·研究与展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 作者简介及在学期间所取得的科研成果 | 第75-76页 |
| 致谢 | 第76页 |
