当前位置:首页 > 工业技术
序列图像中运动目标跟踪方法
序列图像中运动目标跟踪方法

序列图像中运动目标跟踪方法PDF电子书下载

工业技术

  • 电子书积分:9 积分如何计算积分?
  • 作 者:李培华著
  • 出 版 社:北京:科学出版社
  • 出版年份:2010
  • ISBN:9787030272423
  • 页数:174 页
图书介绍:序列图像中目标跟踪是指根据视频图像中的时空相关信息在每一帧图像中确定目标的位置、大小或形状信息等,目标跟踪方法大致可以分成三大类:基于滤波理论的目标跟踪方法,基于MeanShift的目标跟踪方法和基于偏微分方程的目标跟踪方法.本书的第2章至第4章主要研究基于滤波理论的目标跟踪方法。基于滤波理论的目标跟踪方法将传感器噪声和模型误差等进行建模,将目标跟踪问题表达为系统状态的后验概率密度估计问题。当该后验概率密度是高斯分布时,卡尔曼或扩展的卡尔曼滤波器可以对系统的状态进行准确估计.而粒子滤波器能够解决更一般的非线性非高斯的目标跟踪问题。本书的第5章至第8章主要研究基于MeanShift的目标跟踪方法。基于MeanShift的目标跟踪方法首先建模目标特征的概率密度分布,然后采用概率密度之间的相似性测度度量目标和候选目标的之间的相似性。通过将梯度下降算法应用于相似性函数,推导出MeanShift迭代方程从而对目标进行跟踪,最后一章主要研究一种基于偏微分方程的目标跟踪方法。在基于偏微分方程的目标跟踪方法中,目标跟踪问题被建模为关于曲线能量的泛函.通过变分法或形状导数法等推导出描述轮廓曲线进化的偏微
《序列图像中运动目标跟踪方法》目录

第1章 绪论 1

1.1 目标跟踪的应用 1

1.1.1 在智能人机交互中的应用 1

1.1.2 在医疗诊断中的应用 4

1.1.3 在智能机器人中的应用 5

1.1.4 在视频监控中的应用 7

1.2 目标跟踪的分类 8

1.2.1 基于滤波理论的目标跟踪方法 9

1.2.2 基于Mean Shift的目标跟踪方法 11

1.2.3 基于偏微分方程的目标跟踪方法 13

参考文献 16

第2章 基于Unscented卡尔曼滤波器的目标跟踪 23

2.1 引言 23

2.2 目标轮廓的B样条曲线表达 24

2.2.1 样条函数空间和B样条基函数 24

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 27

2.3 运动模型的学习 29

2.3.1 运动模型的最大似然学习 29

2.3.2 运动模型的最大期望学习 30

2.4 卡尔曼滤波器跟踪算法 32

2.5 Unscented卡尔曼滤波器跟踪算法 32

2.5.1 Unscented变换 33

2.5.2 非线性观测模型 34

2.5.3 跟踪算法 35

2.5.4 实验 37

2.6 本章小结 41

参考文献 41

第3章 基于粒子滤波器的目标跟踪算法 43

3.1 引言 43

3.2 动态模型、形状模型及观测模型 44

3.2.1 动态模型 44

3.2.2 形状模型和观测模型 45

3.3 标准的粒子滤波器和条件概率密度传播算法 45

3.3.1 一般的目标跟踪问题 45

3.3.2 一般的粒子滤波器 46

3.3.3 条件概率密度传播算法 47

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 48

3.4.1 基于卡尔曼粒子滤波器的跟踪算法 48

3.4.2 基于Unscented粒子滤波器的跟踪算法 50

3.4.3 算法性能分析和时间分析 52

3.4.4 实验 53

3.5 本章小结 57

参考文献 57

第4章 基于积分图像的快速粒子滤波器跟踪 60

4.1 引言 60

4.2 基于颜色的粒子滤波器算法 61

4.2.1 自适应颜色模型 61

4.2.2 基于积分图像的颜色模型计算 62

4.2.3 计算积分图像的并行算法 64

4.3 跟踪算法及实验 67

4.3.1 跟踪算法 67

4.3.2 实验 67

4.4 本章小结 75

参考文献 76

第5章 利用二阶信息的Mean Shift目标跟踪算法 78

5.1 引言 78

5.2 传统Mean Shift跟踪算法 78

5.2.1 非参量核概率密度估计和Mean Shift迭代 78

5.2.2 模型表达及跟踪算法 80

5.3 牛顿法 82

5.3.1 步长选择模型及终止条件 84

5.3.2 步长选择算法 85

5.4 信赖域方法 87

5.4.1 信赖域算法 88

5.4.2 信赖域方向 89

5.5 实验 90

5.6 本章小结 94

参考文献 94

第6章 基于聚类的颜色模型及Mean Shift跟踪 96

6.1 引言 96

6.2 基于聚类的颜色模型 98

6.2.1 颜色空间的自适应剖分 98

6.2.2 颜色模型及相似性度量 99

6.3 Mean Shift跟踪算法 100

6.3.1 算法的推导过程 100

6.3.2 算法的复杂性分析 101

6.3.3 实验 102

6.4 本章小结 108

参考文献 108

第7章 基于Mean Shift的仿射变换和相似性变换目标跟踪 110

7.1 引言 110

7.2 基于Mean Shift算法的仿射运动目标跟踪 111

7.2.1 平移向量的估计 113

7.2.2 旋转角度的估计 113

7.2.3 跟踪算法 114

7.2.4 实验 115

7.3 基于Mean Shift算法的相似性变换目标跟踪 120

7.3.1 平移向量的估计 121

7.3.2 旋转角度的估计 121

7.3.3 跟踪算法 122

7.3.4 实验 122

7.4 计算复杂性分析 125

7.5 本章小结 125

参考文献 126

第8章 并行Mean Shift目标跟踪算法 128

8.1 引言 128

8.2 CUDA介绍 129

8.3 基于多元高斯分布的颜色空间剖分 131

8.4 基于GPU的并行Mean Shift跟踪算法 133

8.5 实验 136

8.6 本章小结 141

参考文献 141

第9章 基于EMD的Mean Shift跟踪算法 142

9.1 引言 142

9.2 颜色概率密度表达及EMD定义 143

9.2.1 颜色概率密度表达 143

9.2.2 EMD定义 146

9.3 单纯形法计算EMD 147

9.4 基于EMD的Mean Shift算法 152

9.4.1 相似性度量函数最优化 152

9.4.2 基于EMD的Mean Shift算法 153

9.5 实验 153

9.5.1 走廊序列 153

9.5.2 行人序列 155

9.6 本章小结 156

参考文献 156

第10章 基于偏微分方程的目标跟踪方法 157

10.1 引言 157

10.2 基于Jensen-Shannon散度的区域泛函 157

10.3 偏微分方程的推导 158

10.3.1 形状导数理论简介 158

10.3.2 基于形状导数理论的偏微分方程推导 161

10.3.3 基于变分理论的偏微分方程推导 162

10.4 目标跟踪的水平集方法 162

10.4.1 水平集函数的推导 162

10.4.2 偏微分方程的时空离散化 163

10.4.3 数值算法中的重新初始化 166

10.4.4 实验 170

10.5 本章小结 173

参考文献 173

返回顶部