前言
第1章 緒論
1.1 目標跟蹤的應用
1.1.1 在智能人機交互中的應用
1.1.2 在醫療診斷中的應用
1.1.3 在智能機器人中的應用
1.1.4 在視頻監控中的應用
1.2 目標跟蹤的分類
1.2.1 基于濾波理論的目標跟蹤方法
1.2.2 基于Mean Shift的目標跟蹤方法
1.2.3 基于偏微分方程的目標跟蹤方法
參考文獻
第2章 基于Unseented卡爾曼濾波器的目標跟蹤
2.1 引言
2.2 目標輪廓的B樣條曲線表達
2.2.1 樣條函數空間和B樣條基函數
2.2.2 B樣條曲線空間、樣條向量空間和形狀空間及其內積和範數
2.3 運動模型的學習
2.3.1 運動模型的最大似然學習
2.3.2 運動模型的最大期望學習
2.4 卡爾曼濾波器跟蹤算法
2.5 Unscented卡爾曼濾波器跟蹤算法
2.5.1 Unscented變換
2.5.2 非線性觀測模型
2.5.3 跟蹤算法
2.5.4 實驗
2.6 本章小結
參考文獻
第3章 基于粒子濾波器的目標跟蹤算法
3.1 引言
3.2 動態模型、形狀模型及觀測模型
3.2.1 動態模型
3.2.2 形狀模型和觀測模型
3.3 標準的粒子濾波器和條件概率密度傳播算法
3.3.1 一般的目標跟蹤問題
3.3.2 一般的粒子濾波器
3.3.3 條件概率密度傳播算法
3.4 基于卡爾曼粒子濾波器和Unscented粒子濾波器的目標跟蹤算法
3.4.1 基于卡爾曼粒子濾波器的跟蹤算法
3.4.2 基于Unscented粒子濾波器的跟蹤算法
3.4.3 算法性能分析和時間分析
3.4.4 實驗
3.5 本章小結
參考文獻
第4章 基于積分圖像的快速粒子濾波器跟蹤
4.1 引言
4.2 基于顏色的粒子濾波器算法
4.2.1 自適應顏色模型
4.2.2 基于積分圖像的顏色模型計算
4.2.3 計算積分圖像的並行算法
4.3 跟蹤算法及實驗
4.3.1 跟蹤算法
4.3.2 實驗
4.4 本章小結
參考文獻
第5章 利用二階信息的Mean Shift目標跟蹤算法
5.1 引言
5.2 傳統Mean Shift跟蹤算法
5.2.1 非參量核概率密度估計和Mean Shift迭代
5.2.2 模型表達及跟蹤算法
5.3 牛頓法
5.3.1 步長選擇模型及終止條件
5.3.2 步長選擇算法
5.4 信賴域方法
5.4.1 信賴域算法
5.4.2 信賴域方向
5.5 實驗
5.6 本章小結
參考文獻
第6章 基于聚類的顏色模型及Mean Shift跟蹤
6.1 引言
6.2 基于聚類的顏色模型
6.2.1 顏色空間的自適應剖分
6.2.2 顏色模型及相似性度量
6.3 Mean Shift跟蹤算法
6.3.1 算法的推導過程
6.3.2 算法的復雜性分析
6.3.3 實驗
6.4 本章小結
參考文獻
第7章 基于Mean Shift的仿射變換和相似性變換目標跟蹤
7.1 引言
7.2 基于Mean Shift算法的仿射運動目標跟蹤
7.2.1 平移向量的估計
7.2.2 旋轉角度的估計
7.2.3 跟蹤算法
7.2.4 實驗
7.3 基于Mean Shift算法的相似性變換目標跟蹤
7.3.1 平移向量的估計
7.3.2 旋轉角度的估計
7.3.3 跟蹤算法
7.3.4 實驗
7.4 計算復雜性分析
7.5 本章小結
參考文獻
第8章 並行Mean Shift目標跟蹤算法
8.1 引言
8.2 CUDA介紹
8.3 基于多元高斯分布的顏色空間剖分
8.4 基于GPU的並行Mean Shift跟蹤算法
8.5 實驗
8.6 本章小結
參考文獻
第9章 基于EMD的Mean Shift跟蹤算法
9.1 引言
9.2 顏色概率密度表達及EMD定義
9.2.1 顏色概率密度表達
9.2.2 EMD定義
9.3 單純形法計算EMD
9.4 基于EMD的Mean Shift算法
9.4.1 相似性度量函數最優化
9.4.2 基于EMD的Mean Shift算法
9.5 實驗.
9.5.1 走廊序列
9.5.2 行人序列
9.6 本章小結
參考文獻
第10章 基于偏微分方程的目標跟蹤方法
10.1 引言
10.2 基于Jensen-Shannon散度的區域泛函
10.3 偏微分方程的推導
10.3.1 形狀導數理論簡介
10.3.2 基于形狀導數理論的偏微分方程推導
10.3.3 基于變分理論的偏微分方程推導
10.4 目標跟蹤的水平集方法
10.4.1 水平集函數的推導
10.4.2 偏微分方程的時空離散化
10.4.3 數值算法中的重新初始化
10.4.4 實驗
10.5 本章小結
參考文獻
