第1章 绪论 1
1.1 视觉目标跟踪的研究意义与发展前景 1
1.2 本书的主要研究内容 2
1.2.1 目标的表观模型 2
1.2.2 运动状态的搜索策略 3
1.3 本书的结构安排 3
第2章 目标跟踪研究现状综述 6
2.1 引言 6
2.2 目标跟踪方法的国内外综述 7
2.2.1 常用的目标表观模型 7
2.2.2 常见的目标跟踪方法 9
第3章 基于视觉关注度的核跟踪方法 16
3.1 引言 16
3.2 视觉关注度简介 17
3.3 基于视觉关注度的均值漂移跟踪方法 18
3.3.1 均值漂移跟踪方法简介 18
3.3.2 运动目标视觉关注度检测 19
3.3.3 视觉关注度加权的目标定位 21
3.3.4 遮挡情况的处理 22
3.4 实验结果 23
3.5 本章小结 26
第4章 基于黎曼度量的鱼群优化贝叶斯跟踪方法 27
4.1 引言 27
4.2 人工鱼群优化算法 28
4.2.1 背景与起源 28
4.2.2 觅食行为 29
4.2.3 聚群行为 29
4.2.4 追尾行为 30
4.3 贝叶斯框架下的跟踪 30
4.3.1 通用贝叶斯框架 30
4.3.2 粒子滤波算法 31
4.4 基于黎曼度量的鱼群优化贝叶斯跟踪方法 34
4.4.1 鱼群优化的粒子滤波算法 34
4.4.2 黎曼度量下的目标表观模型 36
4.4.3 黎曼度量的鱼群优化粒子滤波跟踪方法 38
4.5 实验评估 39
4.5.1 定性的评估 39
4.5.2 定量的评估 44
4.6 本章小结 49
第5章 基于不确定性最大置信度提升算法的视觉跟踪方法 51
5.1 引言 51
5.2 Boosting算法 52
5.3 最大置信度提升算法 53
5.3.1 非确定性标签提升算法 54
5.3.2 处理无标签数据的MCB算法 55
5.3.3 理论分析 56
5.4 基于MCB的跟踪方法 58
5.4.1 动机与问题描述 58
5.4.2 跟踪框架 58
5.4.3 分类器特征构建与样本提取 60
5.5 实验评估 61
5.6 本章小结 67
第6章 辅助子空间更新的自适应集成随机森林跟踪方法 69
6.1 引言 69
6.2 基于随机森林的集成跟踪 70
6.2.1 在线的随机森林分类器 70
6.2.2 前景与背景分类 71
6.2.3 基于自组织的多特征融合目标定位 72
6.2.4 辅助增量子空间学习的状态更新 73
6.3 实验评估 75
6.3.1 单特征对比自适应多特征融合 75
6.3.2 定性与定量评估 77
6.4 本章小结 81
第7章 低秩重检测的多特征时空上下文的视觉跟踪方法 82
7.1 引言 82
7.2 时空上下文跟踪 84
7.2.1 上下文先验表达 84
7.2.2 空间上下文表达 85
7.2.3 基于时空上下文的目标定位 85
7.3 低秩重检测的多特征时空上下文跟踪算法 86
7.3.1 多特征融合的时空上下文目标定位 86
7.3.2 基于在线低秩滤波器的重定位 87
7.4 实验结果分析 89
7.4.1 实验细节 89
7.4.2 实验评测 91
7.5 本章小结 97
第8章 总结与展望 98
8.1 总结 98
8.2 研究展望 99
参考文献 101