视频监控中目标跟踪算法的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文的研究内容及组织结构 | 第10-11页 |
| 第二章 目标跟踪综述 | 第11-18页 |
| 2.1 目标跟踪方法简介 | 第11-12页 |
| 2.2 外观模型的表示 | 第12-16页 |
| 2.2.1 外观模型的全局性表示 | 第12-14页 |
| 2.2.2 外观模型的局部性表示 | 第14-16页 |
| 2.3 外观模型的统计 | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 基于多特征自适应融合的粒子滤波跟踪 | 第18-34页 |
| 3.1 引言 | 第18页 |
| 3.2 粒子滤波 | 第18-22页 |
| 3.2.1 粒子滤波的基本概念 | 第18-19页 |
| 3.2.2 蒙特卡洛仿真 | 第19-20页 |
| 3.2.3 序贯重要性采样 | 第20-21页 |
| 3.2.4 粒子的退化 | 第21页 |
| 3.2.5 重要性函数的选择 | 第21页 |
| 3.2.6 重采样 | 第21-22页 |
| 3.2.7 粒子滤波一般框架 | 第22页 |
| 3.3 基于多特征自适应融合的粒子滤波跟踪算法 | 第22-30页 |
| 3.3.1 运动模型 | 第23页 |
| 3.3.2 多特征提取 | 第23-28页 |
| 3.3.3 多特征自适应融合 | 第28-30页 |
| 3.4 实验及结果分析 | 第30-33页 |
| 3.4.1 数据集介绍 | 第30-31页 |
| 3.4.2 评测标准介绍 | 第31-32页 |
| 3.4.3 实验结果分析 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 基于特征选择的在线增强学习跟踪算法 | 第34-41页 |
| 4.1 引言 | 第34页 |
| 4.2 增强学习算法 | 第34-36页 |
| 4.2.1 离线增强学习 | 第34-35页 |
| 4.2.2 在线增强学习 | 第35-36页 |
| 4.3 基于特征选择的在线增强学习算法 | 第36-39页 |
| 4.3.1 特征选择器 | 第36页 |
| 4.3.2 在线训练 | 第36-39页 |
| 4.4 实验及结果分析 | 第39-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第五章 智能交通原型系统设计 | 第41-48页 |
| 5.1 智能交通原型系统 | 第41-46页 |
| 5.1.1 系统设计 | 第41-42页 |
| 5.1.2 系统功能 | 第42-46页 |
| 5.2 系统测试 | 第46-47页 |
| 5.3 本章小结 | 第47-48页 |
| 第六章 总结和展望 | 第48-50页 |
| 6.1 全文工作总结 | 第48页 |
| 6.2 展望未来 | 第48-50页 |
| 参考文献 | 第50-57页 |
| 发表论文和参加科研情况说明 | 第57-58页 |
| 致谢 | 第58页 |
