第1章 绪论 1
1.1 研究的背景和意义 1
1.2 视觉跟踪研究的现状 3
1.2.1 目标描述 4
1.2.2 跟踪方法 9
1.3 本书的研究内容和贡献 17
1.4 本书的章节安排 18
第2章 MS理论与应用 20
2.1 引言 20
2.2 概率密度估计 22
2.2.1 参数密度估计 22
2.2.2 非参数密度估计 23
2.3 MS理论 28
2.3.1 MS向量 28
2.3.2 MS迭代的收敛性 30
2.4 MS视觉跟踪 31
2.4.1 目标模型 31
2.4.2 目标候选模型 32
2.4.3 相似性测度量测 33
2.4.4 MS搜索 33
2.4.5 尺度自适应 35
2.5 本章小结 35
第3章 基于多特征自适应融合的MS跟踪算法 36
3.1 引言 36
3.2 算法描述 40
3.2.1 颜色特征描述 40
3.2.2 运动特征描述 41
3.2.3 MS搜索 42
3.2.4 特征自适应融合 43
3.2.5 尺度自适应 44
3.2.6 算法步骤 45
3.3 实验结果与分析 46
3.3.1 序列Ⅰ跟踪 46
3.3.2 序列Ⅱ跟踪 49
3.3.3 序列Ⅲ跟踪 51
3.3.4 序列Ⅳ跟踪 51
3.3.5 序列Ⅴ跟踪 52
3.4 算法讨论 53
3.4.1 直方图计算问题 53
3.4.2 参考运动直方图选择问题 54
3.4.3 混乱干扰问题 54
3.4.4 尺度估计问题 54
3.4.5 算法的优缺点 55
3.5 本章小结 55
第4章 基于MS的鲁棒视觉跟踪算法 56
4.1 引言 56
4.2 算法描述 59
4.2.1 颜色特征描述 59
4.2.2 运动特征描述 61
4.2.3 MS搜索 62
4.2.4 算法步骤 64
4.3 实验结果与分析 65
4.3.1 序列Ⅰ跟踪 65
4.3.2 序列Ⅱ跟踪 67
4.3.3 序列Ⅲ跟踪 68
4.3.4 序列Ⅳ跟踪 69
4.3.5 序列Ⅴ跟踪 70
4.4 算法讨论 71
4.4.1 直方图的计算问题 71
4.4.2 混乱抑制问题 72
4.5 本章小结 73
第5章 基于有效外观模型的粒子滤波跟踪算法 74
5.1 粒子滤波理论 74
5.1.1 引言 74
5.1.2 贝叶斯滤波 76
5.1.3 蒙特卡罗仿真 77
5.1.4 贝叶斯重要性采样 78
5.1.5 序贯重要性采样 79
5.1.6 建议分布选择 80
5.1.7 粒子退化问题与重采样 81
5.1.8 粒子滤波算法 82
5.2 基于有效外观模型的粒子滤波跟踪算法 83
5.2.1 引言 83
5.2.2 空间—颜色直方图 85
5.2.3 空间—颜色直方图相似性测度 85
5.2.4 相似性测度比较 86
5.2.5 似然模型和粒子权值 88
5.2.6 粒子权值快速计算方法 89
5.2.7 目标运动模型 92
5.2.8 算法步骤 93
5.2.9 实验结果与分析 94
5.2.10 算法讨论 99
5.3 本章小结 100
第6章 基于多特征自适应融合的粒子滤波跟踪算法 101
6.1 引言 101
6.2 算法描述 106
6.2.1 目标运动模型 106
6.2.2 似然模型 107
6.2.3 特征自适应融合 109
6.2.4 算法步骤 110
6.3 实验结果与分析 111
6.3.1 序列Ⅰ跟踪 112
6.3.2 序列Ⅱ跟踪 113
6.3.3 序列Ⅲ跟踪 115
6.3.4 序列Ⅳ跟踪 117
6.3.5 序列Ⅴ跟踪 118
6.4 算法讨论 119
6.5 本章小结 120
第7章 总结与展望 121
7.1 总结 121
7.2 研究展望 122
参考文献 124