導(dǎo)言
0.1 視頻目標(biāo)跟蹤方法的內(nèi)涵和發(fā)展方向
0.2 視頻目標(biāo)跟蹤方法的發(fā)展概況及應(yīng)用領(lǐng)域
第1章 相關(guān)濾波目標(biāo)跟蹤基本原理和算法
1.1 相關(guān)濾波目標(biāo)跟蹤方法基本原理
1.2 針對(duì)跟蹤難題提出的相關(guān)濾波跟蹤算法
1.2.1 復(fù)雜背景
1.2.2 目標(biāo)形變
1.2.3 尺度變換
1.2.4 長(zhǎng)時(shí)遮擋
1.3 針對(duì)跟蹤策略提出的相關(guān)濾波跟蹤算法
1.3.1 邊緣效應(yīng)
1.3.2 深度特征的采用
1.3.3 訓(xùn)練樣本的選擇
1.3.4 特征融合的應(yīng)用
1.4 評(píng)價(jià)方法
1.4.1 評(píng)測(cè)數(shù)據(jù)集及跟蹤結(jié)果評(píng)價(jià)方法
1.4.2 代表性跟蹤方法性能對(duì)比
1.5 本書(shū)研究?jī)?nèi)容
第2章 基于進(jìn)化算法優(yōu)化特征的相關(guān)濾波方法
2.1 視頻跟蹤問(wèn)題中目標(biāo)外觀模型概況
2.2 相關(guān)濾波跟蹤問(wèn)題中目標(biāo)外觀模型發(fā)展現(xiàn)狀
2.3 采用特征子集進(jìn)行跟蹤的可行性分析
2.4 進(jìn)化算法特征優(yōu)化框架及相關(guān)濾波器
2.4.1 進(jìn)化算法
2.4.2 自適應(yīng)性特征優(yōu)化
2.5 基于進(jìn)化特征子集的相關(guān)濾波算法
2.5.1 經(jīng)典相關(guān)濾波方法
2.5.2 基于 特征子集的相關(guān)濾波算法
2.6 進(jìn)化特征優(yōu)化方法對(duì)狀態(tài)預(yù)測(cè)的正確性分析
2.7 實(shí)驗(yàn)結(jié)果與分析
2.7.1 實(shí)驗(yàn)設(shè)置
2.7.2 基于進(jìn)化算法優(yōu)化特征的相關(guān)濾波方法步驟
2.7.3 實(shí)驗(yàn)結(jié)果定量比較分析
2.7.4 實(shí)驗(yàn)結(jié)果定性比較分析
2.8 本章小結(jié)
第3章 自適應(yīng)能量感知的目標(biāo)跟蹤定位方法
3.1 視頻跟蹤問(wèn)題中目標(biāo)定位方法概況
3.2 相關(guān)濾波跟蹤問(wèn)題中目標(biāo)定位方法的發(fā)展現(xiàn)狀
3.3 能量感知與相關(guān)濾波結(jié)合的目標(biāo)跟蹤框架
3.3.1 基準(zhǔn)相關(guān)濾波跟蹤框架ECO
3.3.2 能量感知相關(guān)濾波框架
3.4 自適應(yīng)能量感知的目標(biāo)定位
3.4.1 基于顯著性的不平衡能量檢測(cè)
3.4.2 自適應(yīng)能量平衡策略
3.5 自頂向下和自底向上策略相結(jié)合的相關(guān)濾波模型訓(xùn)練
3.5.1 低質(zhì)量樣本拒 策略
3.5.2 自頂向下搜索策略
3.5.3 自底向上模型訓(xùn)練
3.6 自適應(yīng)能量感知的目標(biāo)跟蹤定位算法步驟
3.7 實(shí)驗(yàn)結(jié)果與分析
3.7.1 實(shí)驗(yàn)參數(shù)設(shè)置
3.7.2 實(shí)驗(yàn)結(jié)果定量比較分析
3.7.3 實(shí)驗(yàn)結(jié)果定性比較分析
3.8 本章小結(jié)
第4章 模塊化目標(biāo)狀態(tài)的動(dòng)態(tài)模型 新方法
4.1 視頻跟蹤問(wèn)題中模型 新方法概況
4.2 視頻跟蹤問(wèn)題中模型 新方法發(fā)展現(xiàn)狀
4.3 模塊化動(dòng)態(tài)模型 新方法
4.4 目標(biāo)狀態(tài)模塊化的相關(guān)濾波跟蹤方法
4.4.1 樹(shù)結(jié)構(gòu)相關(guān)濾波模型的構(gòu)建
4.4.2 基于樹(shù)結(jié)構(gòu)的目標(biāo)狀態(tài)評(píng)估
4.5 樹(shù)結(jié)構(gòu)相關(guān)濾波器的動(dòng)態(tài)模型 新算法步驟
4.6 實(shí)驗(yàn)結(jié)果與分析
4.6.1 實(shí)驗(yàn)參數(shù)設(shè)置
4.6.2 跟蹤結(jié)果定量分析
4.6.3 跟蹤結(jié)果定性分析
4.7 本章小結(jié)
參考文獻(xiàn)
附錄