基于视觉目标跟踪算法的研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景、目的和意义 | 第12-14页 |
| 1.2 国内外研究现状、发展动态 | 第14-15页 |
| 1.3 本文的主要工作及内容安排 | 第15-16页 |
| 第2章 传统目标跟踪方法概述 | 第16-33页 |
| 2.1 引言 | 第16页 |
| 2.2 目标跟踪方法的分类 | 第16-18页 |
| 2.3 Lucas-Kanade光流法 | 第18-24页 |
| 2.3.1 Lucas-Kanade光流算法原理 | 第19-21页 |
| 2.3.2 Lucas-Kanade光流算法步骤 | 第21-22页 |
| 2.3.3 Lucas-Kanade光流跟踪实验 | 第22-23页 |
| 2.3.4 优缺点 | 第23-24页 |
| 2.4 Mean Shift算法 | 第24-28页 |
| 2.4.1 Mean Shift算法原理 | 第24-26页 |
| 2.4.2 Mean Shift算法步骤 | 第26-27页 |
| 2.4.3 Mean Shift算法跟踪实验 | 第27-28页 |
| 2.4.4 优缺点 | 第28页 |
| 2.5 信赖域方法 | 第28-32页 |
| 2.5.1 信赖域方法原理 | 第29-30页 |
| 2.5.2 信赖域算法 | 第30页 |
| 2.5.3 信赖域方法跟踪实验 | 第30-31页 |
| 2.5.4 优缺点 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 Kalman滤波器及其在目标跟踪建模 | 第33-44页 |
| 3.1 引言 | 第33页 |
| 3.2 Kalman滤波器理论推导 | 第33-35页 |
| 3.3 Kalman滤波算法流程 | 第35-38页 |
| 3.3.1 Kalman滤波器 | 第35-36页 |
| 3.3.2 Kalman滤波算法步骤 | 第36-37页 |
| 3.3.3 Kalman滤波器系数及其影响 | 第37-38页 |
| 3.4 目标跟踪中Kalman滤波器模型建模 | 第38-40页 |
| 3.5 Kalman滤波器实验 | 第40-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 基于在线学习的目标跟踪 | 第44-60页 |
| 4.1 引言 | 第44页 |
| 4.2 训练特征的选取 | 第44-49页 |
| 4.2.1 常用的特征描述子 | 第45页 |
| 4.2.2 BRIEF特征 | 第45-48页 |
| 4.2.3 特征点选取的改进 | 第48-49页 |
| 4.3 随机森林简介 | 第49-52页 |
| 4.3.1 决策树 | 第49-51页 |
| 4.3.2 随机森林 | 第51-52页 |
| 4.4 在线随机森林分类器 | 第52-57页 |
| 4.4.1 随机森林的建立 | 第52-54页 |
| 4.4.2 在线随机森林分类器的训练 | 第54-57页 |
| 4.5 在线随机森林检测跟踪目标 | 第57-59页 |
| 4.5.1 传统的检测方法流程 | 第57-58页 |
| 4.5.2 改进的检测方法流程 | 第58-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第5章 系统实现及结果分析 | 第60-68页 |
| 5.1 引言 | 第60页 |
| 5.2 系统实现 | 第60页 |
| 5.3 实验结果 | 第60-64页 |
| 5.4 实验结果分析 | 第64-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76页 |
