第1章 緒論
1.1 粒子濾波的發(fā)展和應(yīng)用
1.2 視頻目標(biāo)的檢測與跟蹤
1.2.1 跟蹤目標(biāo)的視覺特征
1.2.2 常用的視頻目標(biāo)檢測方法
1.2.3 常用的視頻目標(biāo)跟蹤方法
1.2.4 視頻目標(biāo)跟蹤的應(yīng)用
1.3 粒子濾波在視頻目標(biāo)跟蹤中的應(yīng)用
1.3.1 基于粒子濾波的視頻目標(biāo)跟蹤研究現(xiàn)狀
1.3.2 基于粒子濾波的視覺跟蹤的難點(diǎn)
1.4 基于微分流形粒子濾波的視頻跟蹤研究
1.5 主要的公共視頻數(shù)據(jù)庫
1.6 本書的主要工作
第2章 視頻目標(biāo)的檢測與特征提取
2.1 引言
2.2 運(yùn)動(dòng)目標(biāo)檢測方法
2.2.1 光流計(jì)算法
2.2.2 背景消減法
2.2.3 幀間差分法
2.3 運(yùn)動(dòng)目標(biāo)的特征提取
2.3.1 顏色特征提取
2.3.2 紋理特征提取
2.3.3 運(yùn)動(dòng)邊緣特征提取
第3章 目標(biāo)的表觀模型
3.1 模板
3.2 活動(dòng)輪廓模型
3.3 直方圖
3.3.1 直方圖密度估計(jì)
3.3.2 空間直方圖
3.3.3 加權(quán)顏色直方圖
3.4 核密度估計(jì)
3.5 混合高斯模型
3.5.1 混合高斯模型的數(shù)學(xué)描述
3.5.2 背景模型的更新
第4章 基于粒子濾波算法的視頻目標(biāo)跟蹤
4.1 貝葉斯估計(jì)理論
4.1.1 動(dòng)態(tài)系統(tǒng)的狀態(tài)模型
4.1.2 貝葉斯定理
4.1.3 貝葉斯濾波
4.1.4 蒙特卡羅方法
4.1.5 序貫重要性采樣
4.1.6 重采樣技術(shù)
4.2 粒子濾波算法
4.2.1 標(biāo)準(zhǔn)粒子濾波算法
4.2.2 標(biāo)準(zhǔn)粒子濾波的缺點(diǎn)
4.2.3 各種改進(jìn)的粒子濾波算法
4.3 基于粒子濾波的視頻目標(biāo)跟蹤方法
4.3.1 概率跟蹤方法的數(shù)學(xué)描述
4.3.2 粒子濾波視頻跟蹤的狀態(tài)模型
4.3.3 粒子濾波視頻跟蹤的觀測模型
4.3.4 粒子濾波跟蹤實(shí)驗(yàn)結(jié)果與分析
第5章 基于Mean Shift的粒子濾波跟蹤
5.1 Mean Shift概述
5.2 Mean Shift基本理論及其擴(kuò)展形式
5.2.1 Mean Shift向量
5.2.2 擴(kuò)展Mean Shift
5.2.3 概率密度梯度
5.3 基本Mean Shift算法
5.4 Mean Shift在目標(biāo)跟蹤中的應(yīng)用
5.4.1 目標(biāo)描述和匹配準(zhǔn)則
5.4.2 Mean Shift跟蹤
5.4.3 跟蹤算法流程
5.5 嵌入Mean Shift算法的粒子濾波視頻目標(biāo)跟蹤
5.5.1 系統(tǒng)動(dòng)態(tài)模型的設(shè)計(jì)
5.5.2 系統(tǒng)觀測模型的設(shè)計(jì)
5.5.3 目標(biāo)定位
5.5.4 Mean Shift粒子聚類
5.6 實(shí)驗(yàn)及分析
第6章 基于自適應(yīng)流形粒子濾波算法的紅外小目標(biāo)跟蹤
6.1 紅外小目標(biāo)檢測和跟蹤方法概述
6.1.1 紅外小目標(biāo)跟蹤技術(shù)
6.1.2 紅外小目標(biāo)檢測技術(shù)
6.2 復(fù)雜背景下紅外小目標(biāo)圖像的預(yù)處理算法
6.2.1 紅外圖像的組成
6.2.2 頻域高通濾波法
6.2.3 低通濾波器
6.2.4 中值濾波
6.2.5 基于數(shù)學(xué)形態(tài)學(xué)濾波的紅外圖像預(yù)處理
6.2.6 紅外圖像預(yù)處理仿真實(shí)驗(yàn)
6.3 基于自適應(yīng)粒子濾波算法的紅外小目標(biāo)跟蹤
6.3.1 基于粒子濾波算法的紅外目標(biāo)跟蹤步驟
6.3.2 基于自適應(yīng)粒子濾波算法的紅外小目標(biāo)跟蹤
6.4 基于自適應(yīng)流形粒子濾波的制導(dǎo)紅外小目標(biāo)跟蹤方法
6.4.1 流形基礎(chǔ)知識(shí)
6.4.2 基于自適應(yīng)流形粒子濾波的紅外小目標(biāo)跟蹤方法
第7章 基于流形聚類粒子濾波算法的視頻目標(biāo)跟蹤
7.1 聚類算法
7.1.1 聚類的定義
7.1.2 聚類算法的分類
7.2 最大模糊熵高斯聚類粒子濾波算法(iMC-PF)
7.2.1 最大模糊熵高斯聚類
7.2.2 最大模糊熵高斯聚類粒子濾波算法步驟
7.3 粒子稀疏化聚類
7.3.1 粒子稀疏化聚合重采樣
7.3.2 粒子交叉聚合
7.4 雙重采樣自適應(yīng)粒子濾波算法(DR-PF)
7.4.1 基于觀測新息的重采樣分布方案
7.4.2 雙重采樣自適應(yīng)粒子濾波算法步驟
7.5 仿真實(shí)驗(yàn)及分析
7.5.1 DR／GPS組合系統(tǒng)模型
7.5.2 仿真實(shí)驗(yàn)及結(jié)果分析
7.6 流形學(xué)習(xí)聚類粒子濾波算法
7.6.1 流形學(xué)習(xí)
7.6.2 拉普拉斯特征映射
7.6.3 局部線性嵌入算法
7.6.4 增量式LLE聚類粒子濾波(ILLE-DR-PF)算法
7.6.5 仿真實(shí)驗(yàn)及分析
7.7 流形聚類粒子濾波算法
7.7.1 流形聚類
7.7.2 流形聚類方法
7.7.3 幾何能量聚類
7.7.4 Grassmann流形粒子濾波
7.7.5 基于幾何能量的流形聚類粒子濾波
7.7.6 仿真實(shí)驗(yàn)及分析
第8章 基于李群粒子濾波算法的視頻目標(biāo)跟蹤
8.1 流形
8.1.1 流形的定義
8.1.2 流形的距離
8.2 李群流形理論基礎(chǔ)
8.2.1 李群和李代數(shù)
8.2.2 李群指數(shù)映射
8.2.3 李群幾何優(yōu)化
8.3 李群結(jié)構(gòu)的矩陣協(xié)方差描述
8.3.1 目標(biāo)圖像多特征提取
8.3.2 協(xié)方差的相似度匹配
8.4 李群流形上的粒子濾波算法
8.4.1 將射影變換表示為李群
8.4.2 李群狀態(tài)模型
8.4.3 李群觀測模型
8.5 李群粒子濾波算法流程
8.6 實(shí)驗(yàn)結(jié)果與分析
第9章 基于李群最優(yōu)重要性函數(shù)粒子濾波算法的視頻目標(biāo)跟蹤
9.1 最優(yōu)重要性密度函數(shù)
9.2 基于流形建議分布的粒子濾波器
9.2.1 基于Stiefel流形的粒子濾波器
9.2.2 基于黎曼流形的粒子濾波
9.3 黎曼均值
9.3.1 基于黎曼度量的正定對稱陣
9.3.2 改進(jìn)李群結(jié)構(gòu)的黎曼流形
9.4 李群正態(tài)分布
9.4.1 李群上的不變度量和測地線
9.4.2 李群協(xié)方差矩陣算法
9.4.3 基于李群指數(shù)映射的正態(tài)分布
9.5 基于李群正態(tài)分布的粒子濾波算法
9.6 實(shí)驗(yàn)結(jié)果與分析
參考文獻(xiàn)