基于序列蒙特卡洛滤波算法的视觉目标跟踪PDF电子书下载

第1章 绪论 1

1.1 研究背景 1

1.2 跟踪研究中面临的主要问题 2

1.3 视觉目标跟踪研究概述 5

1.3.1 目标表观的建模和提取 5

1.3.2 数据关联技术 13

1.3.3 滤波框架 14

1.4 本工作的主要技术路线和目标 15

1.5 本论文的主要贡献 16

1.6 本文组织及各章间关系 18

第2章 序列蒙特卡洛滤波算法 20

2.1 引言 20

2.2 跟踪问题的定义和贝叶斯时序滤波框架 20

2.3 序列蒙特卡洛滤波算法 23

2.3.1 核心思想 23

2.3.2 算法的退化问题 26

2.3.3 选择合适的提议分布 26

2.3.4 粒子重采样技术 28

2.3.5 弥补非最优提议分布缺陷的技术 30

2.4 小结 30

第3章 可区分性目标模型的动态构建 31

3.1 引言 31

3.2 问题的提出和相关工作 31

3.3 方法概述 33

3.4 基于目标／背景差异信息的特征选择 34

3.4.1 特征集合 34

3.4.2 目标建模 35

3.5 跟踪过程中目标模型的动态更新 37

3.5.1 维护目标／背景差异性的模型更新 38

3.5.2 维护目标描述一致性的更新 39

3.6 采用动态建模的目标跟踪 40

3.7 将模型更新融入序列蒙特卡洛滤波算法 41

3.7.1 背景粒子的存在 41

3.7.2 融入自适应目标模型更新的跟踪算法 42

3.8 实验结果 44

3.8.1 人体跟踪实验 44

3.8.2 汽车跟踪实验 55

3.9 小结 59

第4章 基于多运动模型的复杂运动建模和推断 60

4.1 引言 60

4.2 问题的提出和相关工作 60

4.2.1 具有多种运动模式的复杂运动 60

4.2.2 具有高维状态空间的复杂运动 61

4.3 多模型运动估计框架 62

4.3.1 定义 63

4.3.2 模型交互过程 64

4.4 多模型切换序列蒙特卡洛滤波算法 65

4.5 实验部分 66

4.5.1 基于可控视频序列的算法验证 66

4.5.2 基于公共测试序列的算法验证 71

4.6 基于多模型协同的序列蒙特卡洛滤波算法 75

4.7 头部运动估计 76

4.7.1 概述 76

4.7.2 头部运动的表示 77

4.7.3 运动模型 80

4.7.4 评估粒子权重 81

4.7.5 算法的定量性能评测 81

4.7.6 算法性能的定性分析 85

4.8 小结 87

第5章 融合光流和模型的面部特征点跟踪算法 88

5.1 引言 88

5.2 算法的理论层面分析 89

5.3 结合光流和模型的面部特征点跟踪 90

5.3.1 KLT光流跟踪算法 90

5.3.2 基于尺度空间理论的特征点尺度自动选择 92

5.3.3 多尺度Harris特征点选择算法 92

5.3.4 尺度空间理论 95

5.3.5 嘴部特征点跟踪 97

5.4 采用子空间约束的跟踪结果求精过程 101

5.5 实验部分 105

5.5.1 对KLT增强算法的实验验证 105

5.5.2 子空间约束特征点跟踪算法的实验验证 108

5.6 小结 115

结论 116

参考文献 118

攻读学位期间发表的学术论文 127

哈尔滨工业大学博士学位论文原创性声明 129

哈尔滨工业大学博士学位论文使用授权书 129

致谢 130

个人简历 132