序列图像中运动目标跟踪方法

前言
第1章 绪论
1.1 目标跟踪的应用
1.1.1 在智能人机交互中的应用
1.1.2 在医疗诊断中的应用
1.1.3 在智能机器人中的应用
1.1.4 在视频监控中的应用
1.2 目标跟踪的分类
1.2.1 基于滤波理论的目标跟踪方法
1.2.2 基于Mean Shift的目标跟踪方法
1.2.3 基于偏微分方程的目标跟踪方法
参考文献
第2章 基于Unseented卡尔曼滤波器的目标跟踪
2.1 引言
2.2 目标轮廓的B样条曲线表达
2.2.1 样条函数空间和B样条基函数
2.2.2 B样条曲线空间、样条向量空间和形状空间及其内积和范数
2.3 运动模型的学习
2.3.1 运动模型的最大似然学习
2.3.2 运动模型的最大期望学习
2.4 卡尔曼滤波器跟踪算法
2.5 Unscented卡尔曼滤波器跟踪算法
2.5.1 Unscented变换
2.5.2 非线性观测模型
2.5.3 跟踪算法
2.5.4 实验
2.6 本章小结
参考文献
第3章 基于粒子滤波器的目标跟踪算法
3.1 引言
3.2 动态模型、形状模型及观测模型
3.2.1 动态模型
3.2.2 形状模型和观测模型
3.3 标准的粒子滤波器和条件概率密度传播算法
3.3.1 一般的目标跟踪问题
3.3.2 一般的粒子滤波器
3.3.3 条件概率密度传播算法
3.4 基于卡尔曼粒子滤波器和Unscented粒子滤波器的目标跟踪算法
3.4.1 基于卡尔曼粒子滤波器的跟踪算法
3.4.2 基于Unscented粒子滤波器的跟踪算法
3.4.3 算法性能分析和时间分析
3.4.4 实验
3.5 本章小结
参考文献
第4章 基于积分图像的快速粒子滤波器跟踪
4.1 引言
4.2 基于颜色的粒子滤波器算法
4.2.1 自适应颜色模型
4.2.2 基于积分图像的颜色模型计算
4.2.3 计算积分图像的并行算法
4.3 跟踪算法及实验
4.3.1 跟踪算法
4.3.2 实验
4.4 本章小结
参考文献
第5章 利用二阶信息的Mean Shift目标跟踪算法
5.1 引言
5.2 传统Mean Shift跟踪算法
5.2.1 非参量核概率密度估计和Mean Shift迭代
5.2.2 模型表达及跟踪算法
5.3 牛顿法
5.3.1 步长选择模型及终止条件
5.3.2 步长选择算法
5.4 信赖域方法
5.4.1 信赖域算法
5.4.2 信赖域方向
5.5 实验
5.6 本章小结
参考文献
第6章 基于聚类的颜色模型及Mean Shift跟踪
6.1 引言
6.2 基于聚类的颜色模型
6.2.1 颜色空间的自适应剖分
6.2.2 颜色模型及相似性度量
6.3 Mean Shift跟踪算法
6.3.1 算法的推导过程
6.3.2 算法的复杂性分析
6.3.3 实验
6.4 本章小结
参考文献
第7章 基于Mean Shift的仿射变换和相似性变换目标跟踪
7.1 引言
7.2 基于Mean Shift算法的仿射运动目标跟踪
7.2.1 平移向量的估计
7.2.2 旋转角度的估计
7.2.3 跟踪算法
7.2.4 实验
7.3 基于Mean Shift算法的相似性变换目标跟踪
7.3.1 平移向量的估计
7.3.2 旋转角度的估计
7.3.3 跟踪算法
7.3.4 实验
7.4 计算复杂性分析
7.5 本章小结
参考文献
第8章 并行Mean Shift目标跟踪算法
8.1 引言
8.2 CUDA介绍
8.3 基于多元高斯分布的颜色空间剖分
8.4 基于GPU的并行Mean Shift跟踪算法
8.5 实验
8.6 本章小结
参考文献
第9章 基于EMD的Mean Shift跟踪算法
9.1 引言
9.2 颜色概率密度表达及EMD定义
9.2.1 颜色概率密度表达
9.2.2 EMD定义
9.3 单纯形法计算EMD
9.4 基于EMD的Mean Shift算法
9.4.1 相似性度量函数最优化
9.4.2 基于EMD的Mean Shift算法
9.5 实验.
9.5.1 走廊序列
9.5.2 行人序列
9.6 本章小结
参考文献
第10章 基于偏微分方程的目标跟踪方法
10.1 引言
10.2 基于Jensen-Shannon散度的区域泛函
10.3 偏微分方程的推导
10.3.1 形状导数理论简介
10.3.2 基于形状导数理论的偏微分方程推导
10.3.3 基于变分理论的偏微分方程推导
10.4 目标跟踪的水平集方法
10.4.1 水平集函数的推导
10.4.2 偏微分方程的时空离散化
10.4.3 数值算法中的重新初始化
10.4.4 实验
10.5 本章小结
参考文献