基于視覺的運(yùn)動目標(biāo)檢測跟蹤

目錄
前言
第1章 緒論 1
1.1 研究意義 1
1.2 國內(nèi)外研究進(jìn)展 2
1.2.1 單目視覺下的目標(biāo)檢測跟蹤 2
1.2.2 雙目及多目視覺下的目標(biāo)跟蹤 4
1.2.3 機(jī)器學(xué)習(xí)與目標(biāo)跟蹤 5
1.3 研究框架 17
第2章 多視視頻處理軟硬件平臺 20
2.1 多視圖像、視頻同步采集硬件環(huán)境 20
2.2 軟件環(huán)境 22
2.3 本章小結(jié) 28
第3章 多攝像機(jī)標(biāo)定及三維坐標(biāo)恢復(fù) 29
3.1 攝像機(jī)成像模型 29
3.2 攝像機(jī)標(biāo)定 32
3.3 張氏標(biāo)定算法 34
3.3.1 原理推導(dǎo) 34
3.3.2 畸變模型 38
3.3.3 標(biāo)定算法流程 38
3.3.4 標(biāo)定實(shí)驗(yàn)結(jié)果 39
3.4 三維重建算法 41
3.5 本章小結(jié) 46
第4章 視頻中的多運(yùn)動目標(biāo)檢測 47
4.1 結(jié)合瞬時差分和背景差分的運(yùn)動目標(biāo)檢測 47
4.2 基于形態(tài)學(xué)處理的標(biāo)記點(diǎn)檢測 49
4.3 基于Harris角點(diǎn)檢測的標(biāo)記點(diǎn)檢測 52
4.4 基于迭代閾值的標(biāo)記點(diǎn)檢測 53
4.5 本章小結(jié) 55
第5章 紅外小目標(biāo)檢測 56
5.1 奇異值分解基本原理 57
5.2 粒子濾波基本原理 58
5.3 基于奇異值分解的背景抑制和粒子濾波的紅外小目標(biāo)檢測 60
5.3.1 背景抑制 60
5.3.2 目標(biāo)位置預(yù)測 63
5.3.3 算法實(shí)現(xiàn) 64
5.4 實(shí)驗(yàn)結(jié)果與分析 65
5.5 本章小結(jié) 67
第6章 運(yùn)動背景下目標(biāo)檢測 68
6.1 基于特征點(diǎn)匹配的圖像匹配 69
6.1.1 特征點(diǎn)匹配 69
6.1.2 實(shí)驗(yàn)結(jié)果與分析 71
6.2 基于相鄰幀間背景匹配的目標(biāo)檢測 72
6.2.1 運(yùn)動背景圖像匹配 73
6.2.2 運(yùn)動目標(biāo)檢測和提取 75
6.2.3 實(shí)驗(yàn)結(jié)果與分析 76
6.3 基于離散化攝像機(jī)運(yùn)動的目標(biāo)檢測方法 77
6.3.1 運(yùn)動攝像機(jī)視野范圍的離散化 77
6.3.2 攝像機(jī)靜止情況下的運(yùn)動目標(biāo)實(shí)時檢測和跟蹤 77
6.3.3 攝像機(jī)調(diào)度 79
6.3.4 隨動跟蹤 80
6.3.5 實(shí)驗(yàn)結(jié)果與分析 81
6.4 本章小結(jié) 81
第7章 擴(kuò)展卡爾曼濾波與均值漂移結(jié)合的目標(biāo)跟蹤 83
7.1 基于均值漂移的目標(biāo)跟蹤 83
7.2 目標(biāo)特征匹配與卡爾曼濾波更新 85
7.3 改進(jìn)的均值漂移目標(biāo)跟蹤算法 87
7.4 實(shí)驗(yàn)結(jié)果與分析 88
7.5 本章小結(jié) 89
第8章 基于多子塊模型的長時在線目標(biāo)跟蹤 90
8.1 在線目標(biāo)跟蹤框架 90
8.2 可信賴子塊 97
8.2.1 序列化的蒙特卡洛框架 98
8.2.2 子塊的可跟蹤性度量 99
8.2.3 子塊與整體目標(biāo)的關(guān)系 100
8.3 可信賴子塊跟蹤器 101
8.4 線性回歸與循環(huán)移位 103
8.4.1 線性回歸模型 103
8.4.2 循環(huán)移位 104
8.4.3 循環(huán)矩陣 105
8.5 核空間的嶺回歸 106
8.6 融合可信賴子塊與核相關(guān)濾波的目標(biāo)跟蹤 107
8.7 實(shí)驗(yàn)結(jié)果與分析 109
8.7.1 實(shí)驗(yàn)設(shè)置 109
8.7.2 定量評估與分析 110
8.8 本章小結(jié) 114
第9章 基于多軌跡分析的長時在線目標(biāo)跟蹤 115
9.1 帶核的結(jié)構(gòu)化輸出跟蹤 115
9.2 多跟蹤器分析 117
9.2.1 多跟蹤器 117
9.2.2 軌跡分析 118
9.2.3 最優(yōu)跟蹤軌跡選擇 122
9.3 實(shí)驗(yàn)結(jié)果與分析 123
9.3.1 實(shí)驗(yàn)設(shè)置 123
9.3.2 定量評估與分析 123
9.4 本章小結(jié) 126
第10章 基于去冗余卷積特征的相關(guān)濾波跟蹤 128
10.1 基于相關(guān)濾波的多通道特征 129
10.1.1 密集采樣 129
10.1.2 多通道特征 130
10.2 卷積特征去冗余 132
10.2.1 特征通道的激活強(qiáng)度 133
10.2.2 基于激活強(qiáng)度的特征通道去冗余 135
10.3 多層次卷積特征的綜合應(yīng)用 137
10.3.1 卷積特征的尺度歸一化 137
10.3.2 基于多層次卷積特征的目標(biāo)定位策略 138
10.4 目標(biāo)的尺度估計(jì) 142
10.5 算法框架及流程 143
10.6 實(shí)驗(yàn)結(jié)果與分析 144
10.6.1 實(shí)驗(yàn)設(shè)置 144
10.6.2 對比實(shí)驗(yàn)分析 146
10.7 本章小結(jié) 154
第11章 基于全卷積孿生網(wǎng)絡(luò)的多模板匹配跟蹤 156
11.1 全卷積孿生網(wǎng)絡(luò) 156
11.1.1 孿生網(wǎng)絡(luò)結(jié)構(gòu) 156
11.1.2 基于全卷積孿生網(wǎng)絡(luò)的相似度量 157
11.1.3 網(wǎng)絡(luò)訓(xùn)練 158
11.2 多模板匹配跟蹤 159
11.2.1 多模板匹配 159
11.2.2 多模板的選擇與更新 160
11.2.3 增量式的更新計(jì)算 161
11.3 算法框架及流程 163
11.4 實(shí)驗(yàn)結(jié)果與分析 164
11.4.1 實(shí)驗(yàn)設(shè)置 164
11.4.2 對比實(shí)驗(yàn)與分析 166
11.5 本章小結(jié) 175
第12章 雙目視覺下無明顯特征區(qū)分的多目標(biāo)三維跟蹤 176
12.1 基于卡爾曼濾波器的三維跟蹤 176
12.1.1 基于卡爾曼濾波器的目標(biāo)跟蹤 176
12.1.2 目標(biāo)搜索匹配 177
12.1.3 目標(biāo)更新 179
12.2 基于平行光軸攝像機(jī)外極線約束的立體匹配 179
12.2.1 外極線約束原理 179
12.2.2 平行光軸攝像機(jī)的外極線約束 181
12.2.3 無明顯特征區(qū)分的多標(biāo)記點(diǎn)立體匹配 182
12.3 平行雙目視覺中結(jié)合外極線約束的跟蹤 184
12.4 結(jié)合人體關(guān)節(jié)點(diǎn)骨骼長度約束的異常處理 188
12.5 本章小結(jié) 190
第13章 雙目視覺下的機(jī)動目標(biāo)跟蹤 192
13.1 灰色預(yù)測模型 192
13.2 卡爾曼濾波和灰色預(yù)測結(jié)合的三維目標(biāo)跟蹤 196
13.2.1 標(biāo)記點(diǎn)檢測 196
13.2.2 標(biāo)記點(diǎn)匹配 198
13.2.3 算法框架 199
13.3 實(shí)驗(yàn)結(jié)果與分析 200
13.4 本章小結(jié) 203
第14章 多目視覺下多目標(biāo)融合跟蹤 205
14.1 多目視覺跟蹤系統(tǒng)結(jié)構(gòu) 206
14.2 新標(biāo)記點(diǎn)的數(shù)據(jù)關(guān)聯(lián)算法 208
14.3 標(biāo)記點(diǎn)融合跟蹤算法 210
14.4 實(shí)驗(yàn)結(jié)果與分析 211
14.5 本章小結(jié) 216
第15章 基于拓?fù)浣Y(jié)構(gòu)保持的多目跟蹤 218
15.1 擴(kuò)展卡爾曼濾波器與自組織特征映射網(wǎng)絡(luò)結(jié)合的三維跟蹤 218
15.2 基于主成分分析的自動初始化算法 219
15.3 基于自組織特征映射網(wǎng)絡(luò)的匹配策略 222
15.4 實(shí)驗(yàn)結(jié)果與分析 226
15.5 本章小結(jié) 229
參考文獻(xiàn) 230
彩圖