基于集合分类器的单目标跟踪方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景及意义 | 第7-8页 |
| ·应用现状 | 第8页 |
| ·研究现状 | 第8-10页 |
| ·递归跟踪 | 第9页 |
| ·基于检测的跟踪 | 第9-10页 |
| ·论文研究内容 | 第10-11页 |
| ·论文章节安排 | 第11-12页 |
| ·本章小结 | 第12-13页 |
| 第二章 跟踪器设计 | 第13-30页 |
| ·目标跟踪简介 | 第13-15页 |
| ·帧间差分法 | 第13-14页 |
| ·背景差分法 | 第14-15页 |
| ·基于光流的目标跟踪 | 第15-24页 |
| ·光流约束方程 | 第16-17页 |
| ·Lucas-Kanade算法 | 第17-20页 |
| ·金字塔LK算法 | 第20-24页 |
| ·特征点提取 | 第24-28页 |
| ·光流逆跟踪验证算法 | 第24-26页 |
| ·基于逆跟踪验证算法的特征点提取 | 第26-27页 |
| ·图像块思想 | 第27页 |
| ·归一化互相关算法 | 第27-28页 |
| ·目标边界框的确定 | 第28页 |
| ·跟踪器实现 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 检测器设计 | 第30-45页 |
| ·扫描窗口算法 | 第31-32页 |
| ·前景检测 | 第32-33页 |
| ·方差滤波器 | 第33-35页 |
| ·集合分类器 | 第35-40页 |
| ·半朴素贝叶斯分类思想 | 第35-36页 |
| ·随机蕨算法 | 第36-37页 |
| ·随机蕨分类器的实现 | 第37-40页 |
| ·模板匹配 | 第40-42页 |
| ·检测结果提取——非极大值抑制算法 | 第42-43页 |
| ·检测器实现 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 数据融合与分类器在线提升算法 | 第45-51页 |
| ·跟踪器与检测器的结果融合与有效性验证 | 第45-46页 |
| ·分类器在线提升 | 第46-49页 |
| ·监督学习与半监督学习 | 第46-47页 |
| ·基于半监督学习的分类器在线提升算法 | 第47-49页 |
| ·主循环 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 实验结果及分析 | 第51-59页 |
| ·评估标准 | 第51-53页 |
| ·算法评估 | 第53-57页 |
| ·测试视频序列 | 第53页 |
| ·集合分类器的参数选择 | 第53-55页 |
| ·实验结果与分析 | 第55-57页 |
| ·重合度计算 | 第57页 |
| ·算法比较 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65-68页 |
| A1 图像子窗口数计算 | 第65页 |
| A2 方差变换公式 | 第65-66页 |
| A3 积分图像的最大分辨率 | 第66-67页 |
| A4 系统框架 | 第67-68页 |
| A5 研究生期间发表成果 | 第68页 |
