基于视频的物体识别及运动跟踪
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| 表格索引 | 第10-11页 |
| 插图索引 | 第11-13页 |
| 第一章 绪论 | 第13-18页 |
| ·论文研究的背景及意义 | 第13-15页 |
| ·本文研究目的及技术路线 | 第15-16页 |
| ·本文工作的创新点 | 第16-17页 |
| ·本文的组织结构 | 第17页 |
| ·本章小结 | 第17-18页 |
| 第二章 物体识别及跟踪技术的相关研究 | 第18-36页 |
| ·图像特征 | 第18-26页 |
| ·基于颜色的图像特征 | 第19-21页 |
| ·基于局部特征点的图像特征 | 第21-26页 |
| ·特征距离函数 | 第26-27页 |
| ·常见的物体识别方法回顾 | 第27-29页 |
| ·基于统计学习的物体识别方法 | 第27-28页 |
| ·基于模板匹配的物体识别方法 | 第28-29页 |
| ·物体跟踪技术相关工作 | 第29-34页 |
| ·基于视频的目标检测 | 第30-32页 |
| ·运动跟踪算法 | 第32-34页 |
| ·本章小结 | 第34-36页 |
| 第三章 基于特征和预测的运动物体识别跟踪方法 | 第36-54页 |
| ·系统简介 | 第36页 |
| ·系统框架 | 第36-37页 |
| ·特征选取 | 第37-41页 |
| ·HAAR 特征的提取 | 第38-40页 |
| ·HOG 特征的提取 | 第40-41页 |
| ·分类器设计 | 第41-45页 |
| ·AdaBoost 算法介绍 | 第42-43页 |
| ·弱分类器的设计 | 第43-45页 |
| ·强分类器的设计 | 第45页 |
| ·时间序列预测模型 | 第45-47页 |
| ·ARMA 预测模型 | 第45-47页 |
| ·物体位置模型 | 第47-52页 |
| ·ARMA 预测模型应用到基于视频的物体跟踪 | 第49-52页 |
| ·扫描算法 | 第52页 |
| ·本章小结 | 第52-54页 |
| 第四章 系统介绍及实验结果分析 | 第54-65页 |
| ·实验数据采集 | 第54页 |
| ·实验数据库系统的设计 | 第54-56页 |
| ·AdaBoost 训练器结果 | 第56-59页 |
| ·视频跟踪识别结果 | 第59-60页 |
| ·方法的不足之处 | 第60-64页 |
| ·不同天气情况下的识别能力 | 第60-62页 |
| ·训练器对样本的依赖性 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 第五章 总结及展望 | 第65-67页 |
| ·本文工作总结 | 第65页 |
| ·未来的工作与展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间发表的学术论文目录 | 第73-74页 |
| 攻读学位期间参与的项目 | 第74-76页 |
