基于Kinect的Tri-tracking视频跟踪算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-15页 |
| ·研究背景及意义 | 第8-9页 |
| ·计算机视觉概述 | 第8页 |
| ·视频跟踪技术的应用 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·视频跟踪技术 | 第10-12页 |
| ·技术难点 | 第12-13页 |
| ·本文的主要工作及结构 | 第13-15页 |
| ·论文的主要工作 | 第13页 |
| ·论文结构安排 | 第13-15页 |
| 2 Kinect平台介绍 | 第15-21页 |
| ·自然用户接口(UNI) | 第15页 |
| ·Kinect简介 | 第15-16页 |
| ·Kinect的工作原理 | 第16-18页 |
| ·Kinect的应用 | 第18-19页 |
| ·OpenNI框架 | 第19-20页 |
| ·Kinect数据采集 | 第20-21页 |
| 3 视频跟踪研究的基本理论 | 第21-37页 |
| ·视觉跟踪贝叶斯推理模型 | 第21-22页 |
| ·顺序推断模型 | 第21页 |
| ·动态模型和观测模型 | 第21-22页 |
| ·主成分分析 | 第22-28页 |
| ·K-L变换 | 第22-23页 |
| ·PCA的基本原理 | 第23-24页 |
| ·主成分分析的求解方法 | 第24页 |
| ·增量PCA(IVT)算法 | 第24-26页 |
| ·IVT跟踪 | 第26-28页 |
| ·Adaboost算法 | 第28-32页 |
| ·Adaboost算法原理 | 第28-30页 |
| ·Online Adaboost算法 | 第30-32页 |
| ·Hausdorff距离 | 第32-35页 |
| ·Hausdorff距离介绍 | 第32页 |
| ·修正Hausdorff距离(MHD) | 第32-33页 |
| ·修正Hausdorff距离相关技术 | 第33-35页 |
| ·协同训练算法介绍 | 第35-37页 |
| 4 基于tri-tracking框架的视频跟踪 | 第37-46页 |
| ·初始化 | 第38-39页 |
| ·深度图的预处理 | 第39页 |
| ·深度图分割 | 第39-40页 |
| ·特征提取 | 第40-42页 |
| ·参数采样及估计 | 第42-43页 |
| ·不同视图的融合 | 第43-44页 |
| ·分类器更新 | 第44-46页 |
| 5 实验结果 | 第46-57页 |
| ·系统原型 | 第46页 |
| ·参数设定及实施细节 | 第46-47页 |
| ·跟踪结果 | 第47-57页 |
| ·单个模型跟踪结果和融合结果的比较 | 第47-48页 |
| ·定量评测分析 | 第48-49页 |
| ·定性评测分析 | 第49-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
