基于相关滤波器的自适应视频目标跟踪方法研究

导言
0.1 视频目标跟踪方法的内涵和发展方向
0.2 视频目标跟踪方法的发展概况及应用领域
第1章 相关滤波目标跟踪基本原理和算法
1.1 相关滤波目标跟踪方法基本原理
1.2 针对跟踪难题提出的相关滤波跟踪算法
1.2.1 复杂背景
1.2.2 目标形变
1.2.3 尺度变换
1.2.4 长时遮挡
1.3 针对跟踪策略提出的相关滤波跟踪算法
1.3.1 边缘效应
1.3.2 深度特征的采用
1.3.3 训练样本的选择
1.3.4 特征融合的应用
1.4 评价方法
1.4.1 评测数据集及跟踪结果评价方法
1.4.2 代表性跟踪方法性能对比
1.5 本书研究内容
第2章 基于进化算法优化特征的相关滤波方法
2.1 视频跟踪问题中目标外观模型概况
2.2 相关滤波跟踪问题中目标外观模型发展现状
2.3 采用特征子集进行跟踪的可行性分析
2.4 进化算法特征优化框架及相关滤波器
2.4.1 进化算法
2.4.2 自适应性特征优化
2.5 基于进化特征子集的相关滤波算法
2.5.1 经典相关滤波方法
2.5.2 基于 特征子集的相关滤波算法
2.6 进化特征优化方法对状态预测的正确性分析
2.7 实验结果与分析
2.7.1 实验设置
2.7.2 基于进化算法优化特征的相关滤波方法步骤
2.7.3 实验结果定量比较分析
2.7.4 实验结果定性比较分析
2.8 本章小结
第3章 自适应能量感知的目标跟踪定位方法
3.1 视频跟踪问题中目标定位方法概况
3.2 相关滤波跟踪问题中目标定位方法的发展现状
3.3 能量感知与相关滤波结合的目标跟踪框架
3.3.1 基准相关滤波跟踪框架ECO
3.3.2 能量感知相关滤波框架
3.4 自适应能量感知的目标定位
3.4.1 基于显著性的不平衡能量检测
3.4.2 自适应能量平衡策略
3.5 自顶向下和自底向上策略相结合的相关滤波模型训练
3.5.1 低质量样本拒 策略
3.5.2 自顶向下搜索策略
3.5.3 自底向上模型训练
3.6 自适应能量感知的目标跟踪定位算法步骤
3.7 实验结果与分析
3.7.1 实验参数设置
3.7.2 实验结果定量比较分析
3.7.3 实验结果定性比较分析
3.8 本章小结
第4章 模块化目标状态的动态模型 新方法
4.1 视频跟踪问题中模型 新方法概况
4.2 视频跟踪问题中模型 新方法发展现状
4.3 模块化动态模型 新方法
4.4 目标状态模块化的相关滤波跟踪方法
4.4.1 树结构相关滤波模型的构建
4.4.2 基于树结构的目标状态评估
4.5 树结构相关滤波器的动态模型 新算法步骤
4.6 实验结果与分析
4.6.1 实验参数设置
4.6.2 跟踪结果定量分析
4.6.3 跟踪结果定性分析
4.7 本章小结
参考文献
附录