注冊(cè) | 登錄讀書(shū)好,好讀書(shū),讀好書(shū)!
讀書(shū)網(wǎng)-DuShu.com
當(dāng)前位置: 首頁(yè)出版圖書(shū)科學(xué)技術(shù)計(jì)算機(jī)/網(wǎng)絡(luò)圖形圖像、多媒體、網(wǎng)頁(yè)制作其他處理軟件序列圖像中運(yùn)動(dòng)目標(biāo)跟蹤方法

序列圖像中運(yùn)動(dòng)目標(biāo)跟蹤方法

序列圖像中運(yùn)動(dòng)目標(biāo)跟蹤方法

定 價(jià):¥35.00

作 者: 李培華 編
出版社: 科學(xué)出版社
叢編項(xiàng):
標(biāo) 簽: 多媒體

購(gòu)買(mǎi)這本書(shū)可以去


ISBN: 9787030272423 出版時(shí)間: 2010-04-01 包裝: 平裝
開(kāi)本: 16開(kāi) 頁(yè)數(shù): 173 字?jǐn)?shù):  

內(nèi)容簡(jiǎn)介

  目標(biāo)跟蹤的介紹(第1章)、基于濾波理論的目標(biāo)跟蹤方法(第2~4章)、基于MeanShih的目標(biāo)跟蹤方法(第5~9章)和基于偏微分方程的目標(biāo)跟蹤方法(第10章),介紹了相關(guān)跟蹤方法的研究背景、理論基礎(chǔ)、算法描述、計(jì)算復(fù)雜性分析,并給出了相應(yīng)的實(shí)驗(yàn)結(jié)果?!缎蛄袌D像中運(yùn)動(dòng)目標(biāo)跟蹤方法》是序列圖像中目標(biāo)跟蹤方面的專著,反映了作者近年來(lái)在這一領(lǐng)域的主要研究成果。《序列圖像中運(yùn)動(dòng)目標(biāo)跟蹤方法》內(nèi)容新穎、結(jié)構(gòu)清晰、語(yǔ)言簡(jiǎn)練,可作為大專院校及科研院所圖像處理、視頻處理和計(jì)算機(jī)視覺(jué)等領(lǐng)域的高年級(jí)本科生、研究生的教材和參考書(shū),也可作為相關(guān)領(lǐng)域的教師、科研人員以及從事安防、視頻監(jiān)控行業(yè)的工程技術(shù)人員的參考書(shū)。

作者簡(jiǎn)介

暫缺《序列圖像中運(yùn)動(dòng)目標(biāo)跟蹤方法》作者簡(jiǎn)介

圖書(shū)目錄

前言
第1章 緒論
1.1 目標(biāo)跟蹤的應(yīng)用
1.1.1 在智能人機(jī)交互中的應(yīng)用
1.1.2 在醫(yī)療診斷中的應(yīng)用
1.1.3 在智能機(jī)器人中的應(yīng)用
1.1.4 在視頻監(jiān)控中的應(yīng)用
1.2 目標(biāo)跟蹤的分類
1.2.1 基于濾波理論的目標(biāo)跟蹤方法
1.2.2 基于Mean Shift的目標(biāo)跟蹤方法
1.2.3 基于偏微分方程的目標(biāo)跟蹤方法
參考文獻(xiàn)
第2章 基于Unseented卡爾曼濾波器的目標(biāo)跟蹤
2.1 引言
2.2 目標(biāo)輪廓的B樣條曲線表達(dá)
2.2.1 樣條函數(shù)空間和B樣條基函數(shù)
2.2.2 B樣條曲線空間、樣條向量空間和形狀空間及其內(nèi)積和范數(shù)
2.3 運(yùn)動(dòng)模型的學(xué)習(xí)
2.3.1 運(yùn)動(dòng)模型的最大似然學(xué)習(xí)
2.3.2 運(yùn)動(dòng)模型的最大期望學(xué)習(xí)
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(cè)模型
2.5.3 跟蹤算法
2.5.4 實(shí)驗(yàn)
2.6 本章小結(jié)
參考文獻(xiàn)
第3章 基于粒子濾波器的目標(biāo)跟蹤算法
3.1 引言
3.2 動(dòng)態(tài)模型、形狀模型及觀測(cè)模型
3.2.1 動(dòng)態(tài)模型
3.2.2 形狀模型和觀測(cè)模型
3.3 標(biāo)準(zhǔn)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(biāo)跟蹤問(wèn)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(biāo)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(shí)間分析
3.4.4 實(shí)驗(yàn)
3.5 本章小結(jié)
參考文獻(xiàn)
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(yīng)顏色模型
4.2.2 基于積分圖像的顏色模型計(jì)算
4.2.3 計(jì)算積分圖像的并行算法
4.3 跟蹤算法及實(shí)驗(yàn)
4.3.1 跟蹤算法
4.3.2 實(shí)驗(yàn)
4.4 本章小結(jié)
參考文獻(xiàn)
第5章 利用二階信息的Mean Shift目標(biāo)跟蹤算法
5.1 引言
5.2 傳統(tǒng)Mean Shift跟蹤算法
5.2.1 非參量核概率密度估計(jì)和Mean Shift迭代
5.2.2 模型表達(dá)及跟蹤算法
5.3 牛頓法
5.3.1 步長(zhǎng)選擇模型及終止條件
5.3.2 步長(zhǎng)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(shí)驗(yàn)
5.6 本章小結(jié)
參考文獻(xiàn)
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(yīng)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(dǎo)過(guò)程
6.3.2 算法的復(fù)雜性分析
6.3.3 實(shí)驗(yàn)
6.4 本章小結(jié)
參考文獻(xiàn)
第7章 基于Mean Shift的仿射變換和相似性變換目標(biāo)跟蹤
7.1 引言
7.2 基于Mean Shift算法的仿射運(yùn)動(dòng)目標(biāo)跟蹤
7.2.1 平移向量的估計(jì)
7.2.2 旋轉(zhuǎn)角度的估計(jì)
7.2.3 跟蹤算法
7.2.4 實(shí)驗(yàn)
7.3 基于Mean Shift算法的相似性變換目標(biāo)跟蹤
7.3.1 平移向量的估計(jì)
7.3.2 旋轉(zhuǎn)角度的估計(jì)
7.3.3 跟蹤算法
7.3.4 實(shí)驗(yàn)
7.4 計(jì)算復(fù)雜性分析
7.5 本章小結(jié)
參考文獻(xiàn)
第8章 并行Mean Shift目標(biāo)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的并行Mean Shift跟蹤算法
8.5 實(shí)驗(yàn)
8.6 本章小結(jié)
參考文獻(xiàn)
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(dá)及EMD定義
9.2.1 顏色概率密度表達(dá)
9.2.2 EMD定義
9.3 單純形法計(jì)算EMD
9.4 基于EMD的Mean Shift算法
9.4.1 相似性度量函數(shù)最優(yōu)化
9.4.2 基于EMD的Mean Shift算法
9.5 實(shí)驗(yàn).
9.5.1 走廊序列
9.5.2 行人序列
9.6 本章小結(jié)
參考文獻(xiàn)
第10章 基于偏微分方程的目標(biāo)跟蹤方法
10.1 引言
10.2 基于Jensen-Shannon散度的區(qū)域泛函
10.3 偏微分方程的推導(dǎo)
10.3.1 形狀導(dǎo)數(shù)理論簡(jiǎn)介
10.3.2 基于形狀導(dǎo)數(shù)理論的偏微分方程推導(dǎo)
10.3.3 基于變分理論的偏微分方程推導(dǎo)
10.4 目標(biāo)跟蹤的水平集方法
10.4.1 水平集函數(shù)的推導(dǎo)
10.4.2 偏微分方程的時(shí)空離散化
10.4.3 數(shù)值算法中的重新初始化
10.4.4 實(shí)驗(yàn)
10.5 本章小結(jié)
參考文獻(xiàn)

本目錄推薦

掃描二維碼
Copyright ? 讀書(shū)網(wǎng) m.ranfinancial.com 2005-2020, All Rights Reserved.
鄂ICP備15019699號(hào) 鄂公網(wǎng)安備 42010302001612號(hào)