實用性目標檢測與跟蹤算法原理及應用

第1章 視頻目標檢測綜述及Viola-Jones算法
1.1 目標檢測技術綜述
1.1.1 基于特征的目標檢測
1.1.2 基于模板的目標檢測
1.1.3 基于運動的目標檢測
1.1.4 基于分類器的目標檢測
1.2 基于Viola-Jones算法的視頻目標檢測原理分析
1.2.1 Haar-Like特征描述
1.2.2 積分圖像
1.2.3 AdaBoost算法
1.2.4 級聯(lián)分類器
1.3 基于Viola-Jones算法的人臉檢測及其OpenCV實現(xiàn)
1.3.1 級聯(lián)分類器的訓練
1.3.2 實現(xiàn)人臉檢測的OpenCV代碼分析
參考文獻
第2章 基于HOG-SVM算法的行人檢測原理與實現(xiàn)
2.1 HOG特征提取
2.1.1 顏色空間標準化
2.1.2 計算圖像梯度
2.1.3 空間和方向上的梯度統(tǒng)計
2.1.4 重疊Block特征的標準化
2.1.5 收集檢測空間所有Block的HOG特征
2.2 SVM原理分析
2.2.1 SVM理論基礎
2.2.2 線性SVM
2.2.3 非線性SVM
2.3 基于HOG-SVM算法的行人檢測及其0penCV實現(xiàn)
2.3.1 行人檢測器的訓練
2.3.2 實現(xiàn)行人檢測的OpenCV代碼剖析
2.3.3 實驗結果與分析
參考文獻
第3章 視頻目標跟蹤技術綜述
3.1 視頻目標跟蹤的應用領域
3.2 視頻目標跟蹤系統(tǒng)模塊組成
3.2.1 目標描述
3.2.2 目標特征的選擇
3.3 跟蹤算法分類與舉例
3.4 目標跟蹤所面臨的挑戰(zhàn)問題
3.4.1 目前跟蹤方法存在的問題
3.4.2 長時間目標跟蹤
3.4.3 TLD算法
3.5 目標跟蹤評測方法與數(shù)據(jù)集
3.5.1 評測方法
3.5.2 評測數(shù)據(jù)集
參考文獻
第4章 CT算法的原理與實現(xiàn)及改進
4.1 相關理論基礎介紹
4.1.1 樸素貝葉斯分類器
4.1.2 隨機Haar-Like特征.
4.1.3 壓縮感知理論
4.1.4 目標跟蹤算法性能評價指標
4.2 CT算法原理及實現(xiàn)細節(jié)分析
4.2.1 CT算法的原理
4.2.2 CT算法實現(xiàn)步驟
4.2.3 CT算法的細節(jié)分析
4.2.4 CT算法的Matlab實現(xiàn)難點
4.3 基于局部區(qū)域相似度匹配的改進算法
4.3.1 區(qū)域選擇
4.3.2 相似度計算
4.3.3 實驗結果與分析
4.4 基于表觀模型再匹配的改進算法
4.4.1 樸素貝葉斯分類器值的剖析
4.4.2 改進算法的實現(xiàn)
4.4.3 實驗結果與分析
4.5 利用加權分塊策略應對遮擋問題的目標跟蹤改進算法
4.5.1 改進算法的實現(xiàn)
4.5.2 實驗結果與分析
4.6 小結
參考文獻
第5章 跟蹤與檢測及學習相結合的目標跟蹤算法
5.1 TLD算法介紹
5.2 TLD中的跟蹤算法
5.2.1 光流法簡介
5.2.2 牛頓迭代法
5.2.3 經(jīng)典光流法
5.2.4 金字塔LK光流法
5.2.5 光流法的應用
5.3 TLD中的目標檢測算法
5.3.1 方差分類器
5.3.2 級聯(lián)分類器
5.3.3 KNN分類器
5.4 實驗結果及性能分析
5.4.1 TLD性能分析
5.4.2 P-N學習的性能分析
參考文獻
第6章 目標檢測與TLD算法的應用舉例
6.1 人眼檢測與跟蹤
6.1.1 基于AdaBoost的人眼區(qū)域檢測
6.1.2 基于尺度均衡策略的快速人臉檢測
6.1.3基于TLD的人眼跟蹤系統(tǒng)
6.1.4 實驗結果與分析
6.2 多人臉目標跟蹤
6.2.1 人臉目標檢測
6.2.2 多人臉的標記與分離
6.2.3 多人臉跟蹤
6.2.4 實驗結果與分析
參考文獻
第7章 基于壓縮跟蹤算法的交互式魚體跟蹤
7.1 計算魚類游泳速度方法的選擇
7.2 交互式視頻跟蹤
7.2.1 交互式視頻跟蹤算法的實現(xiàn)
7.2.2 目標樣本再選擇方法介紹
7.2.3 目標樣本再選擇方法實驗結果分析
7.2.4 算法流程
7.2.5 交互式跟蹤得到魚頭位置的數(shù)據(jù)
7.2.6 交互式視頻跟蹤技術的Matlab實現(xiàn)
7.3整魚圖像摳取算法
7.3.1 摳取整魚圖像的方法
7.3.2 摳取整魚圖像的實驗結果
7.3.3 算法流程
7.3.4 摳取整魚圖像算法的Matlab實現(xiàn)
參考文獻