城市復(fù)雜交通場(chǎng)景下的運(yùn)動(dòng)車(chē)輛跟蹤技術(shù)研究

1 緒論
1．1 車(chē)輛跟蹤的研究背景
1．2 國(guó)內(nèi)外研究現(xiàn)狀及其應(yīng)用
1．3 涉及的主要研究?jī)?nèi)容、面臨的難點(diǎn)與解決方法
1．4 已有技術(shù)手段及其弱點(diǎn)
1．5 研究所采用的技術(shù)方案與路線
1．6 標(biāo)準(zhǔn)測(cè)試視頻集及相關(guān)國(guó)內(nèi)外主流雜志、會(huì)議
1．7 本書(shū)的結(jié)構(gòu)安排
2 視覺(jué)目標(biāo)車(chē)輛跟蹤中粒子濾波算法的改進(jìn)
2．1 粒子濾波簡(jiǎn)介
2．2 視覺(jué)目標(biāo)跟蹤中的粒子濾波理論分析
2．3 引入前幀加權(quán)采樣的粒子濾波目標(biāo)跟蹤
2．4 引入殘差信息的分層重采樣
2．4．1 目前幾種典型的重采樣策略
2．4．2 引入殘差信息的分層重采樣算法步驟
2．4．3 引入殘差信息的分層重采樣的仿真研究
2．4．4 本章改進(jìn)的重采樣在運(yùn)動(dòng)車(chē)輛跟蹤中的實(shí)際測(cè)試
2．5 視覺(jué)車(chē)輛跟蹤中的特征選擇與分析
2．5．1 本章所用紋理特征
2．5．2 車(chē)輛跟蹤算法流程、試驗(yàn)結(jié)果與分析
3 子空間學(xué)習(xí)框架下的實(shí)時(shí)車(chē)輛圖像跟蹤
3．1 基于圖像的子空間學(xué)習(xí)在車(chē)輛跟蹤中的研究背景
3．2 增量主成分分析IPCA方法
3．2．1 Hall的增量主成分分析IPCA算法
3．2．2．Ross提出的IPCA算法
3．2．3 基于自相關(guān)矩陣更新與EVI）分解的IPCA
3．3 基于自相關(guān)矩陣的IPCA算法的執(zhí)行
3．4 子空間更新方法的算法復(fù)雜度對(duì)比
3．5 自相關(guān)矩陣IPCA視覺(jué)跟蹤的總體流程
3．5．1 本章跟蹤涉及的相關(guān)參數(shù)與解釋
3．5．2 本章目標(biāo)車(chē)輛跟蹤方法的總體執(zhí)行流程
3．6 車(chē)輛跟蹤的實(shí)驗(yàn)結(jié)果與對(duì)比分析
4 基于李群理論與特征子空間基的車(chē)輛跟蹤
4．1 引言
4．2 群空間在視覺(jué)跟蹤算法中的引入
4．3 基于仿射群組幾何屬性的視覺(jué)目標(biāo)跟蹤
4．3．1 李群與李代數(shù)
4．3．2 基于仿射群組的目標(biāo)狀態(tài)方程及其描述
4．3．3 融入測(cè)量向量后的粒子權(quán)值的更新與計(jì)算
4．3．4 增量PCA算法及目標(biāo)圖像特征子空間向量基
4．4 本章視覺(jué)目標(biāo)跟蹤算法的總體框架
4．5 基于標(biāo)準(zhǔn)數(shù)據(jù)源的試驗(yàn)與分析
5 基于在線學(xué)習(xí)理論的車(chē)輛識(shí)別與跟蹤
5．1 車(chē)輛在線識(shí)別跟蹤難點(diǎn)及研究背景
5．2 基于運(yùn)動(dòng)模板檢測(cè)的online boosting算法
5．2．1 MT online boosting算法的構(gòu)成與執(zhí)行流程
5．2．2 MT online boosting算法中識(shí)別特征的選擇
5．2．3 在線學(xué)習(xí)樣本的檢測(cè)定位及弱分類(lèi)器的更新
5．2．4 參數(shù)設(shè)置及試驗(yàn)結(jié)果
6 B對(duì)偶空間幾何中基于消隱點(diǎn)的攝像機(jī)標(biāo)定與測(cè)距
6．1 目前常見(jiàn)的攝像機(jī)標(biāo)定方法與視覺(jué)測(cè)距
6．2 B對(duì)偶空間幾何中攝像機(jī)內(nèi)參數(shù)初值的計(jì)算方法
6．2．1 B對(duì)偶空間幾何的相關(guān)屬性
6．2．2 B對(duì)偶空間下基于消隱點(diǎn)的內(nèi)參數(shù)計(jì)算方法
6．3 本章攝像機(jī)標(biāo)定的流程與相關(guān)參數(shù)
6．4 試驗(yàn)結(jié)果與對(duì)比分析
6．5 基于視覺(jué)方法的前車(chē)車(chē)距計(jì)算
參考文獻(xiàn)