摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第9-16页 |
1.1 课题研究背景及意义 | 第9-11页 |
1.2 视频跟踪技术的概述和研究现状 | 第11-14页 |
1.2.1 目标跟踪算法的研究现状 | 第11-12页 |
1.2.2 目标跟踪算法的分类 | 第12-13页 |
1.2.3 目标跟踪算法存在的主要问题 | 第13-14页 |
1.3 本文的主要研究内容和章节安排 | 第14-15页 |
1.4 本章小结 | 第15-16页 |
第二章 视频目标跟踪中的Kalman滤波器 | 第16-23页 |
2.1 辅助跟踪的运动模型 | 第16-17页 |
2.2 经典Kalman滤波算法 | 第17-20页 |
2.2.1 经典Kalman滤波理论 | 第17-18页 |
2.2.2 经典Kalman算法的递推过程 | 第18-20页 |
2.2.3 经典Kalman滤波器的应用及其局限性 | 第20页 |
2.3 扩展Kalman滤波算法 | 第20-22页 |
2.3.1 扩展Kalman滤波理论的提出 | 第20页 |
2.3.2 扩展Kalman滤波器的线性化过程 | 第20-22页 |
2.4 本章小结 | 第22-23页 |
第三章 基于特征点的车辆跟踪算法 | 第23-35页 |
3.1 目标特征点的提取 | 第23-26页 |
3.1.1 运动目标的分割 | 第23-24页 |
3.1.2 目标局部特征的提取 | 第24-26页 |
3.2 特征点的搜索匹配 | 第26-29页 |
3.2.1 搜索策略 | 第27页 |
3.2.2 相似性度量 | 第27-28页 |
3.2.3 模板的更新算法 | 第28-29页 |
3.3 Kalman滤波器在特征点跟踪算法中的应用 | 第29-32页 |
3.3.1 系统的状态方程和量测方程 | 第30页 |
3.3.2 模型线性化 | 第30-31页 |
3.3.3 Kalman滤波算法的流程 | 第31-32页 |
3.4 实验结果与分析 | 第32-34页 |
3.5 本章小结 | 第34-35页 |
第四章 摄像机标定和逆投影数据的构建 | 第35-45页 |
4.1 单目摄像机的标定 | 第35-39页 |
4.1.1 摄像机标定的坐标系 | 第35-37页 |
4.1.2 摄像机的成像模型 | 第37-39页 |
4.1.3 摄像机标定的简化模型 | 第39页 |
4.2 基于交通场景的非现场标定 | 第39-41页 |
4.3 逆投影数据的构建 | 第41-44页 |
4.3.1 逆投影数据的构建 | 第42-43页 |
4.3.2 逆投影数据的特性 | 第43-44页 |
4.4 本章小结 | 第44-45页 |
第五章 基于逆投影图像的三维跟踪算法 | 第45-60页 |
5.1 逆投影跟踪框的设计 | 第45-47页 |
5.2 基于逆投影图像的车辆三维跟踪算法 | 第47-49页 |
5.3 车辆三维跟踪算法的实现 | 第49-52页 |
5.3.1 搜索策略 | 第50页 |
5.3.2 相似性度量 | 第50-51页 |
5.3.3 模板的更新算法 | 第51-52页 |
5.4 跟踪结果与分析 | 第52-53页 |
5.5 Kalman滤波器在车辆三维跟踪算法中的应用 | 第53-58页 |
5.5.1 车辆运动分析 | 第54页 |
5.5.2 车辆跟踪中的状态向量和观测向量 | 第54-55页 |
5.5.3 车辆跟踪中的状态方程和量测方程 | 第55-56页 |
5.5.4 Kalman滤波算法的流程 | 第56-58页 |
5.6 实验结果与分析 | 第58-59页 |
5.7 本章小结 | 第59-60页 |
第六章 车辆特征点三维信息的提取和应用 | 第60-69页 |
6.1 车辆跟踪结果 | 第60-61页 |
6.2 特征点的跟踪速度与高度的关系 | 第61-64页 |
6.2.1 重投影点 | 第61-62页 |
6.2.2 重投影速度与高度的关系 | 第62-64页 |
6.3 车辆特征点三维坐标的提取 | 第64-66页 |
6.4 特征点三维信息的应用 | 第66-68页 |
6.4.1 车型分类的辅助信息 | 第66页 |
6.4.2 特征点轨迹的筛选和分类 | 第66-68页 |
6.5 本章小结 | 第68-69页 |
总结与展望 | 第69-71页 |
参考文献 | 第71-74页 |
攻读学位期间取得的研究成果 | 第74-75页 |
致谢 | 第75页 |