视频监控的行人跟踪与辨识
| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-8页 |
| 目次 | 第8-10页 |
| 1 绪论 | 第10-18页 |
| ·课题的企业背景与工程意义 | 第10-11页 |
| ·行人跟踪与匹配算法的主要技术与研究进展 | 第11-14页 |
| ·目标跟踪的主要算法 | 第11-14页 |
| ·行人身份辨识与匹配算法的发展状况 | 第14页 |
| ·行人跟踪与辨识算法中存在的难点与问题 | 第14-16页 |
| ·本文研究的主要工作与论文组织结构 | 第16-18页 |
| 2 视频序列中的行人目标检测 | 第18-36页 |
| ·概述 | 第18-19页 |
| ·基于机器学习的单帧图像中的行人检测 | 第19-27页 |
| ·图像的预处理 | 第20页 |
| ·HOG特征的计算 | 第20-23页 |
| ·SVM分类器的训练 | 第23-24页 |
| ·目标的检测 | 第24-26页 |
| ·积分图的优化 | 第26-27页 |
| ·基于高斯混合模型优化的视频序列中行人检测 | 第27-31页 |
| ·HOG特征检测目标的计算复杂度分析 | 第28页 |
| ·混合高斯模型 | 第28-30页 |
| ·基于高斯混合模型的优化 | 第30-31页 |
| ·本节实验结果与分析 | 第31-36页 |
| ·线性SVM分类器的训练 | 第31-32页 |
| ·实验结果与分析 | 第32-36页 |
| 3 基于目标检测的行人跟踪算法 | 第36-49页 |
| ·目标跟踪的贝叶斯描述 | 第36-37页 |
| ·粒子滤波器 | 第37-42页 |
| ·蒙特卡洛采样方法 | 第37-38页 |
| ·重要性采样 | 第38-40页 |
| ·重采样 | 第40-41页 |
| ·粒子滤波器用于跟踪的算法流程 | 第41-42页 |
| ·基于目标检测的贝叶斯跟踪算法 | 第42-45页 |
| ·目标的观测 | 第42-43页 |
| ·改进的观测模型 | 第43-45页 |
| ·实验结果分析与本章小结 | 第45-49页 |
| 4 跨相机视频序列中的行人身份辨识与匹配 | 第49-62页 |
| ·概述 | 第49-50页 |
| ·目标的外观建模 | 第50-55页 |
| ·加权HSV颜色直方图 | 第50-51页 |
| ·人体的分割与RGB颜色比值 | 第51-53页 |
| ·MSCR描述符 | 第53-54页 |
| ·多特征的融合 | 第54-55页 |
| ·相机间图像特征差异估计和校正 | 第55-56页 |
| ·时间空间信息整合 | 第56-57页 |
| ·系统设计与实验结果分析 | 第57-62页 |
| ·行人目标身份辨识与匹配系统设计 | 第57-59页 |
| ·数据库测试 | 第59-60页 |
| ·实际监控环境测试 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 5 结论与展望 | 第62-64页 |
| ·总结 | 第62-63页 |
| ·展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
