視頻目標(biāo)跟蹤方法

第1章 綜述
1.1 視頻目標(biāo)跟蹤的意義和作用
1.2 視頻目標(biāo)跟蹤系統(tǒng)
1.2.1 系統(tǒng)組成
1.2.2 面臨挑戰(zhàn)
1.2.3 數(shù)學(xué)描述
1.3 視頻目標(biāo)跟蹤概述
1.3.1 目標(biāo)特征提取
1.3.2 目標(biāo)檢測
1.3.3 目標(biāo)模型
1.3.4 目標(biāo)搜索
1.4 發(fā)展趨勢
1.4.1 面臨挑戰(zhàn)
1.4.2 未來方向展望
1.5 本章小結(jié)
參考文獻(xiàn)
第2章 運(yùn)動(dòng)目標(biāo)檢測
2.1 背景模型的高斯混合模型描述
2.1.1 高斯混合模型及EM求解
2.1.2 在線高斯混合背景模型
2.1.3 實(shí)驗(yàn)結(jié)果討論
2.2 基于背景重構(gòu)的多運(yùn)動(dòng)目標(biāo)檢測
2.2.1 背景重構(gòu)
2.2.2 背景維護(hù)
2.2.3 輪廓分割
2.2.4 實(shí)驗(yàn)結(jié)果討論
2.3 復(fù)雜背景模型學(xué)習(xí)
2.3.1 前景檢測
2.3.2 多尺度判別模型
2.3.3 實(shí)驗(yàn)結(jié)果討論
2.4 運(yùn)動(dòng)陰影消除
2.4.1 陰影模型
2.4.2 馬爾可夫隨機(jī)場
2.4.3 實(shí)驗(yàn)結(jié)果討論
2.5 本章小結(jié)
參考文獻(xiàn)
第3章 目標(biāo)特征提取
3.1 全局特征
3.1.1 直方圖特征
3.1.2 顏色特征
3.1.3 輪廓特征
3.2 局部結(jié)構(gòu)特征
3.2.1 點(diǎn)特征
3.2.2 邊緣特征
3.2.3 紋理特征
3.2.4 圖像塊特征
3.3 運(yùn)動(dòng)特征
3.3.1 光流
3.3.2 SIFT流
3.4 本章小結(jié)
參考文獻(xiàn)
第4章 基于生成式目標(biāo)模型的目標(biāo)跟蹤
4.1 子空間模型
4.1.1 主成分分析（PCA）
4.1.2 在線主成分分析
4.1.3 在線主成分分析跟蹤
4.2 稀疏表示模型
4.2.1 稀疏表示
4.2.2 l1范數(shù)最小化跟蹤算法
4.2.3 基于稀疏性的協(xié)作式目標(biāo)跟蹤算法
4.3 隨機(jī)森林
4.3.1 隨機(jī)樹構(gòu)建
4.3.2 霍夫隨機(jī)森林
4.3.3 霍夫隨機(jī)森林目標(biāo)檢測
4.3.4 霍夫隨機(jī)森林目標(biāo)跟蹤
4.4 本章小結(jié)
參考文獻(xiàn)
第5章 基于判別式目標(biāo)模型的目標(biāo)跟蹤
5.1 基于在線特征選擇的輪廓跟蹤
5.1.1 基于Fisher判別準(zhǔn)則的在線特征選擇
5.1.2 基于動(dòng)態(tài)鄰近區(qū)域快速水平集的輪廓跟蹤
5.1.3 實(shí)驗(yàn)結(jié)果討論
5.2 基于子空間半監(jiān)督判別模型的目標(biāo)跟蹤
5.2.1 在線主成分分析
5.2.2 半監(jiān)督線性判別分析
5.2.3 實(shí)驗(yàn)結(jié)果討論
5.3 集成輪廓跟蹤
5.3.1 集成輪廓跟蹤算法
5.3.2 實(shí)驗(yàn)結(jié)果討論
5.4 基于圖直推學(xué)習(xí)的魯棒跟蹤
5.4.1 基于圖的直推學(xué)習(xí)
5.4.2 目標(biāo)跟蹤模型
5.4.3 實(shí)驗(yàn)結(jié)果討論
5.5 本章小結(jié)
參考文獻(xiàn)
第6章 基于粒子濾波的目標(biāo)跟蹤
6.1 粒子濾波基本原理
6.1.1 基于貝葉斯估計(jì)的目標(biāo)跟蹤框架和蒙特卡羅方法
6.1.2 貝葉斯重要性采樣
6.1.3 粒子退化問題和粒子濾波算法
6.2 基于特征融合的粒子濾波
6.2.1 方向梯度直方圖
6.2.2 距離度量
6.2.3 跟蹤算法
6.2.4 實(shí)驗(yàn)結(jié)果討論
6.3 基于增量學(xué)習(xí)Rao-Blackwellized粒子濾波的跟蹤算法
6.3.1 Rao-Blackwellization粒子濾波（RBPF）
6.3.2 算法步驟
6.3.3 實(shí)驗(yàn)結(jié)果討論
6.4 基于瀑布粒子濾波跟蹤算法
6.4.1 活動(dòng)基模型
6.4.2 瀑布型粒子濾波器
6.4.3 基于活動(dòng)基的瀑布粒子濾波跟蹤算法
6.4.4 實(shí)驗(yàn)結(jié)果討論
6.5 本章小結(jié)
參考文獻(xiàn)
第7章 基于均值移動(dòng)的目標(biāo)跟蹤
7.1 均值移動(dòng)跟蹤算法簡介
7.1.1 均值移動(dòng)算法原理
7.1.2 快速均值移動(dòng)算法
7.2 基于均值移動(dòng)和改進(jìn)直方圖映射的目標(biāo)跟蹤算法
7.2.1 直方圖映射模型
7.2.2 改進(jìn)的直方圖映射模型
7.2.3 目標(biāo)跟蹤算法設(shè)計(jì)
7.2.4 實(shí)驗(yàn)結(jié)果討論
7.3 特征融合均值移動(dòng)跟蹤方法
7.3.1 目標(biāo)模型的多特征融合描述
7.3.2 基于均值移動(dòng)（Mean shift）的融合跟蹤定位
7.3.3 實(shí)驗(yàn)結(jié)果討論
7.4 基于均值移動(dòng)（Mean shift）粒子濾波的運(yùn)動(dòng)目標(biāo)跟蹤
7.4.1 基于統(tǒng)計(jì)直方圖的目標(biāo)模型
7.4.2 均值移動(dòng)（Mean shift）粒子濾波
7.4.3 實(shí)驗(yàn)結(jié)果討論
7.5 本章小結(jié)
參考文獻(xiàn)
第8章 基于水平集的輪廓跟蹤
8.1 水平集理論
8.1.1 曲線演化理論
8.1.2 水平集原理及數(shù)值實(shí)現(xiàn)方法
8.1.3 水平集快速算法
8.2 基于區(qū)域主動(dòng)輪廓運(yùn)動(dòng)目標(biāo)的跟蹤
8.2.1 區(qū)域輪廓模型
8.2.2 目標(biāo)跟蹤模型
8.2.3 實(shí)驗(yàn)結(jié)果討論
8.3 基于極值區(qū)域的水平集分割跟蹤
8.3.1 水平集能量項(xiàng)構(gòu)成
8.3.2 實(shí)驗(yàn)結(jié)果討論
8.4 基于邊緣片斷特征的水平集跟蹤
8.4.1 基于區(qū)域與邊緣的水平集分割算法
8.4.2 基于邊緣片（Edglet）特征的目標(biāo)檢測
8.4.3 基于邊緣片斷特征與水平集分割的非剛體目標(biāo)跟蹤算法
8.4.4 實(shí)驗(yàn)結(jié)果討論
8.5 本章小結(jié)
參考文獻(xiàn)