复杂观测条件下的基于粒子滤波的视觉跟踪

摘要	第1-5页
Abstract	第5-11页
第一章 绪论	第11-22页
·论文研究背景和意义	第11-13页
·视觉跟踪的相关技术及其研究进展	第13-18页
·基于粒子滤波的视觉跟踪的难点	第18-19页
·本文的研究内容及主要贡献	第19-20页
·论文的章节安排	第20-22页
第二章 复杂场景中的粒子滤波多目标跟踪	第22-43页
·引言	第22-23页
·减背景目标提取	第23-28页
·减背景目标提取的原理与过程	第24-25页
·背景建模方法简介	第25-28页
·基于自适应高斯混合模型的目标提取算法	第28-33页
·背景模型及更新	第28-31页
·背景颜色空间	第28-29页
·高斯混合背景模型	第29-30页
·背景更新	第30-31页
·运动目标提取	第31-33页
·像素变化检测	第31页
·阴影检测	第31-32页
·运动目标提取	第32-33页
·基于增强粒子滤波的多目标跟踪	第33-38页
·单目标跟踪	第33-36页
·基于概率推断的目标跟踪过程	第33-34页
·卡尔曼滤波	第34页
·粒子滤波	第34-35页
·基于增强粒子滤波的目标跟踪	第35-36页
·多目标跟踪	第36-38页
·多目标观测	第36-37页
·新目标进入场景	第37页
·目标退出场景	第37-38页
·遮挡处理	第38页
·实验结果及讨论	第38-41页
·本章小结	第41-43页
第三章 目标表面变化时的粒子滤波跟踪	第43-67页
·引言	第43-44页
·特征空间分析方法	第44-49页
·概率密度估计	第44-47页
·核概率密度估计	第45页
·直方图密度估计	第45-47页
·均值平移	第47-49页
·基于不变目标表面模型的视觉跟踪	第49-54页
·目标的概率密度表面模型	第49-51页
·相似性度量	第51-52页
·基于均值平移的视觉跟踪	第52-53页
·基于不变观测模型的粒子滤波视觉跟踪	第53-54页
·基于自适应观测模型的粒子滤波视觉跟踪	第54-61页
·基于均值平移的局部模式搜索	第55-56页
·自适应目标表面概率模型	第56-58页
·观测似然	第58-59页
·遮挡处理	第59-60页
·基于自适应观测模型的粒子滤波视觉跟踪	第60-61页
·实验结果及分析	第61-65页
·本章小结	第65-67页
第四章 快速运动目标的粒子滤波跟踪	第67-83页
·引言	第67-69页
·传统粒子滤波的采样算法	第69-72页
·所用的粒子数	第69页
·序列重要性采样滤波	第69-71页
·采样重要性重采样滤波	第71-72页
·基于高斯核粒子滤波的目标跟踪	第72-75页
·高斯核粒子滤波	第72-73页
·跟踪算法流程	第73-75页
·基于遗传进化高斯核粒子滤波的快速目标跟踪	第75-78页
·遗传算法	第75-76页
·遗传进化高斯核粒子滤波	第76-78页
·实验结果及讨论	第78-82页
·本章小结	第82-83页
第五章 复杂情况下的粒子滤波轮廓跟踪	第83-103页
·引言	第83-84页
·轮廓线的B样条曲线表达	第84-90页
·B样条基函数	第84-85页
·B样条函数的范数和内积	第85-87页
·B样条参数曲线	第87页
·控制点向量	第87-88页
·形状空间	第88-89页
·B样条参数曲线的内积和范数	第89-90页
·基于随机方法的轮廓跟踪	第90-92页
·基于卡尔曼滤波器的视觉轮廓跟踪	第90-91页
·基于无迹卡尔曼滤波器的视觉轮廓跟踪	第91-92页
·基于粒子滤波的视觉轮廓跟踪	第92页
·基于改进粒子滤波的B样条轮廓跟踪	第92-97页
·运动模型的学习	第93-94页
·观测模型	第94-95页
·跟踪算法流程	第95-97页
·实验结果及讨论	第97-102页
·本章小结	第102-103页
第六章 总结与展望	第103-106页
·本文工作总结	第103-104页
·研究展望	第104-106页
参考文献	第106-121页
作者攻读博士期间完成的论文	第121-123页
致谢	第123页