基于視覺的運動目標檢測跟蹤

目錄
前言
第1章 緒論 1
1.1 研究意義 1
1.2 國內(nèi)外研究進展 2
1.2.1 單目視覺下的目標檢測跟蹤 2
1.2.2 雙目及多目視覺下的目標跟蹤 4
1.2.3 機器學習與目標跟蹤 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 多攝像機標定及三維坐標恢復 29
3.1 攝像機成像模型 29
3.2 攝像機標定 32
3.3 張氏標定算法 34
3.3.1 原理推導 34
3.3.2 畸變模型 38
3.3.3 標定算法流程 38
3.3.4 標定實驗結(jié)果 39
3.4 三維重建算法 41
3.5 本章小結(jié) 46
第4章 視頻中的多運動目標檢測 47
4.1 結(jié)合瞬時差分和背景差分的運動目標檢測 47
4.2 基于形態(tài)學處理的標記點檢測 49
4.3 基于Harris角點檢測的標記點檢測 52
4.4 基于迭代閾值的標記點檢測 53
4.5 本章小結(jié) 55
第5章 紅外小目標檢測 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檢測 60
5.3.1 背景抑制 60
5.3.2 目標位置預測 63
5.3.3 算法實現(xiàn) 64
5.4 實驗結(jié)果與分析 65
5.5 本章小結(jié) 67
第6章 運動背景下目標檢測 68
6.1 基于特征點匹配的圖像匹配 69
6.1.1 特征點匹配 69
6.1.2 實驗結(jié)果與分析 71
6.2 基于相鄰幀間背景匹配的目標檢測 72
6.2.1 運動背景圖像匹配 73
6.2.2 運動目標檢測和提取 75
6.2.3 實驗結(jié)果與分析 76
6.3 基于離散化攝像機運動的目標檢測方法 77
6.3.1 運動攝像機視野范圍的離散化 77
6.3.2 攝像機靜止情況下的運動目標實時檢測和跟蹤 77
6.3.3 攝像機調(diào)度 79
6.3.4 隨動跟蹤 80
6.3.5 實驗結(jié)果與分析 81
6.4 本章小結(jié) 81
第7章 擴展卡爾曼濾波與均值漂移結(jié)合的目標跟蹤 83
7.1 基于均值漂移的目標跟蹤 83
7.2 目標特征匹配與卡爾曼濾波更新 85
7.3 改進的均值漂移目標跟蹤算法 87
7.4 實驗結(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跟蹤 90
8.1 在線目標跟蹤框架 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)濾波的目標跟蹤 107
8.7 實驗結(jié)果與分析 109
8.7.1 實驗設(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 實驗結(jié)果與分析 123
9.3.1 實驗設(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 特征通道的激活強度 133
10.2.2 基于激活強度的特征通道去冗余 135
10.3 多層次卷積特征的綜合應用 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定位策略 138
10.4 目標的尺度估計 142
10.5 算法框架及流程 143
10.6 實驗結(jié)果與分析 144
10.6.1 實驗設(shè)置 144
10.6.2 對比實驗分析 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 增量式的更新計算 161
11.3 算法框架及流程 163
11.4 實驗結(jié)果與分析 164
11.4.1 實驗設(shè)置 164
11.4.2 對比實驗與分析 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跟蹤 176
12.1.2 目標搜索匹配 177
12.1.3 目標更新 179
12.2 基于平行光軸攝像機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 平行光軸攝像機的外極線約束 181
12.2.3 無明顯特征區(qū)分的多標記點立體匹配 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 雙目視覺下的機動目標跟蹤 192
13.1 灰色預測模型 192
13.2 卡爾曼濾波和灰色預測結(jié)合的三維目標跟蹤 196
13.2.1 標記點檢測 196
13.2.2 標記點匹配 198
13.2.3 算法框架 199
13.3 實驗結(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 新標記點的數(shù)據(jù)關(guān)聯(lián)算法 208
14.3 標記點融合跟蹤算法 210
14.4 實驗結(jié)果與分析 211
14.5 本章小結(jié) 216
第15章 基于拓撲結(jié)構(gòu)保持的多目跟蹤 218
15.1 擴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 實驗結(jié)果與分析 226
15.5 本章小結(jié) 229
參考文獻 230
彩圖