序列圖像中運(yùn)動(dòng)目標(biāo)跟蹤方法

前言
第1章 緒論
1.1 目標(biāo)跟蹤的應(yīng)用
1.1.1 在智能人機(jī)交互中的應(yīng)用
1.1.2 在醫(yī)療診斷中的應(yīng)用
1.1.3 在智能機(jī)器人中的應(yīng)用
1.1.4 在視頻監(jiān)控中的應(yīng)用
1.2 目標(biāo)跟蹤的分類(lèi)
1.2.1 基于濾波理論的目標(biāo)跟蹤方法
1.2.2 基于Mean Shift的目標(biāo)跟蹤方法
1.2.3 基于偏微分方程的目標(biāo)跟蹤方法
參考文獻(xiàn)
第2章 基于Unseented卡爾曼濾波器的目標(biāo)跟蹤
2.1 引言
2.2 目標(biāo)輪廓的B樣條曲線(xiàn)表達(dá)
2.2.1 樣條函數(shù)空間和B樣條基函數(shù)
2.2.2 B樣條曲線(xiàn)空間、樣條向量空間和形狀空間及其內(nèi)積和范數(shù)
2.3 運(yùn)動(dòng)模型的學(xué)習(xí)
2.3.1 運(yùn)動(dòng)模型的最大似然學(xué)習(xí)
2.3.2 運(yùn)動(dòng)模型的最大期望學(xué)習(xí)
2.4 卡爾曼濾波器跟蹤算法
2.5 Unscented卡爾曼濾波器跟蹤算法
2.5.1 Unscented變換
2.5.2 非線(xiàn)性觀(guān)測(cè)模型
2.5.3 跟蹤算法
2.5.4 實(shí)驗(yàn)
2.6 本章小結(jié)
參考文獻(xiàn)
第3章 基于粒子濾波器的目標(biāo)跟蹤算法
3.1 引言
3.2 動(dòng)態(tài)模型、形狀模型及觀(guān)測(cè)模型
3.2.1 動(dòng)態(tài)模型
3.2.2 形狀模型和觀(guān)測(cè)模型
3.3 標(biāo)準(zhǔn)的粒子濾波器和條件概率密度傳播算法
3.3.1 一般的目標(biāo)跟蹤問(wèn)題
3.3.2 一般的粒子濾波器
3.3.3 條件概率密度傳播算法
3.4 基于卡爾曼粒子濾波器和Unscented粒子濾波器的目標(biāo)跟蹤算法
3.4.1 基于卡爾曼粒子濾波器的跟蹤算法
3.4.2 基于Unscented粒子濾波器的跟蹤算法
3.4.3 算法性能分析和時(shí)間分析
3.4.4 實(shí)驗(yàn)
3.5 本章小結(jié)
參考文獻(xiàn)
第4章 基于積分圖像的快速粒子濾波器跟蹤
4.1 引言
4.2 基于顏色的粒子濾波器算法
4.2.1 自適應(yīng)顏色模型
4.2.2 基于積分圖像的顏色模型計(jì)算
4.2.3 計(jì)算積分圖像的并行算法
4.3 跟蹤算法及實(shí)驗(yàn)
4.3.1 跟蹤算法
4.3.2 實(shí)驗(yàn)
4.4 本章小結(jié)
參考文獻(xiàn)
第5章 利用二階信息的Mean Shift目標(biāo)跟蹤算法
5.1 引言
5.2 傳統(tǒng)Mean Shift跟蹤算法
5.2.1 非參量核概率密度估計(jì)和Mean Shift迭代
5.2.2 模型表達(dá)及跟蹤算法
5.3 牛頓法
5.3.1 步長(zhǎng)選擇模型及終止條件
5.3.2 步長(zhǎng)選擇算法
5.4 信賴(lài)域方法
5.4.1 信賴(lài)域算法
5.4.2 信賴(lài)域方向
5.5 實(shí)驗(yàn)
5.6 本章小結(jié)
參考文獻(xiàn)
第6章 基于聚類(lèi)的顏色模型及Mean Shift跟蹤
6.1 引言
6.2 基于聚類(lèi)的顏色模型
6.2.1 顏色空間的自適應(yīng)剖分
6.2.2 顏色模型及相似性度量
6.3 Mean Shift跟蹤算法
6.3.1 算法的推導(dǎo)過(guò)程
6.3.2 算法的復(fù)雜性分析
6.3.3 實(shí)驗(yàn)
6.4 本章小結(jié)
參考文獻(xiàn)
第7章 基于Mean Shift的仿射變換和相似性變換目標(biāo)跟蹤
7.1 引言
7.2 基于Mean Shift算法的仿射運(yùn)動(dòng)目標(biāo)跟蹤
7.2.1 平移向量的估計(jì)
7.2.2 旋轉(zhuǎn)角度的估計(jì)
7.2.3 跟蹤算法
7.2.4 實(shí)驗(yàn)
7.3 基于Mean Shift算法的相似性變換目標(biāo)跟蹤
7.3.1 平移向量的估計(jì)
7.3.2 旋轉(zhuǎn)角度的估計(jì)
7.3.3 跟蹤算法
7.3.4 實(shí)驗(yàn)
7.4 計(jì)算復(fù)雜性分析
7.5 本章小結(jié)
參考文獻(xiàn)
第8章 并行Mean Shift目標(biāo)跟蹤算法
8.1 引言
8.2 CUDA介紹
8.3 基于多元高斯分布的顏色空間剖分
8.4 基于GPU的并行Mean Shift跟蹤算法
8.5 實(shí)驗(yàn)
8.6 本章小結(jié)
參考文獻(xiàn)
第9章 基于EMD的Mean Shift跟蹤算法
9.1 引言
9.2 顏色概率密度表達(dá)及EMD定義
9.2.1 顏色概率密度表達(dá)
9.2.2 EMD定義
9.3 單純形法計(jì)算EMD
9.4 基于EMD的Mean Shift算法
9.4.1 相似性度量函數(shù)最優(yōu)化
9.4.2 基于EMD的Mean Shift算法
9.5 實(shí)驗(yàn).
9.5.1 走廊序列
9.5.2 行人序列
9.6 本章小結(jié)
參考文獻(xiàn)
第10章 基于偏微分方程的目標(biāo)跟蹤方法
10.1 引言
10.2 基于Jensen-Shannon散度的區(qū)域泛函
10.3 偏微分方程的推導(dǎo)
10.3.1 形狀導(dǎo)數(shù)理論簡(jiǎn)介
10.3.2 基于形狀導(dǎo)數(shù)理論的偏微分方程推導(dǎo)
10.3.3 基于變分理論的偏微分方程推導(dǎo)
10.4 目標(biāo)跟蹤的水平集方法
10.4.1 水平集函數(shù)的推導(dǎo)
10.4.2 偏微分方程的時(shí)空離散化
10.4.3 數(shù)值算法中的重新初始化
10.4.4 實(shí)驗(yàn)
10.5 本章小結(jié)
參考文獻(xiàn)