復(fù)雜場(chǎng)景下單目標(biāo)視覺(jué)跟蹤方法

第1章 緒 論 1
1.1 目標(biāo)跟蹤的應(yīng)用 1
1.2 目標(biāo)跟蹤框架及面臨的挑戰(zhàn) 4
1.2.1 目標(biāo)跟蹤的基本框架 4
1.2.2 目標(biāo)跟蹤面臨的挑戰(zhàn) 5
1.3 目標(biāo)跟蹤的分類(lèi) 6
1.3.1 相關(guān)濾波目標(biāo)跟蹤算法 6
1.3.2 非相關(guān)濾波目標(biāo)跟蹤算法 12
參考文獻(xiàn) 16
第2章 基于??0 正則化增量正交映射非負(fù)矩陣分解的目標(biāo)跟蹤算法 18
2.1 概 述 18
2.2 增量正交映射非負(fù)矩陣分解 19
2.3 ??0 正則化增量正交映射非負(fù)矩陣分解的目標(biāo)表示 20
2.3.1 ??1正則化的目標(biāo)表示 20
2.3.2 ??0正則化的目標(biāo)表示 20
2.3.3 ??0正則化的數(shù)值解法 20
2.4 ??0正則化增量正交映射非負(fù)矩陣分解的目標(biāo)跟蹤算法 21
2.4.1 運(yùn)動(dòng)模型 22
2.4.2 觀測(cè)模型 22
2.4.3 粒子篩選 22
2.5 實(shí)驗(yàn)分析 23
2.5.1 定性分析 23
2.5.2 定量分析 26
2.5.3 機(jī)務(wù)外場(chǎng)單目標(biāo)視頻跟蹤 31
2.6 小 結(jié) 33
參考文獻(xiàn) 33
第3章 基于核協(xié)同表示的快速目標(biāo)跟蹤算法 35
3.1 概 述 35
3.2 相關(guān)工作 35
3.3 基于核協(xié)同表示的跟蹤算法 36
3.3.1 核協(xié)同表示 36
3.3.2 基于核協(xié)同表示的目標(biāo)跟蹤算法 37
3.3.3 運(yùn)動(dòng)模型 37
3.3.4 觀測(cè)模型 38
3.3.5 樣本更新 38
3.4 實(shí)驗(yàn)分析 38
3.4.1 定性分析 39
3.4.2 定量分析 43
3.4.3 時(shí)間復(fù)雜度對(duì)比 48
3.4.4 機(jī)務(wù)外場(chǎng)單目標(biāo)視頻跟蹤 49
3.5 小 結(jié) 50
參考文獻(xiàn) 51
第4章 基于概率協(xié)作表示的目標(biāo)跟蹤算法 52
4.1 概 述 52
4.2 相關(guān)工作 52
4.2.1 基于稀疏表示??1正則化的目標(biāo)跟蹤算法 52
4.2.2 基于??2正則化的目標(biāo)跟蹤算法 53
4.3 概率協(xié)作表示 54
4.3.1 概率協(xié)作表示??2正則最小均方機(jī)理 54
4.3.2 基于概率協(xié)作表示的目標(biāo)跟蹤 56
4.4 跟蹤框架 57
4.4.1 動(dòng)態(tài)模型 58
4.4.2 觀測(cè)模型及更新機(jī)制 59
4.5 實(shí)驗(yàn)分析 59
4.5.1 定性分析 60
4.5.2 定量分析 64
4.5.3 基于不同數(shù)量候選樣本的跟蹤結(jié)果對(duì)比 71
4.5.4 基于不同PCA基向量的跟蹤結(jié)果對(duì)比 72
4.5.5 參數(shù)ρ對(duì)跟蹤結(jié)果的影響 73
4.5.6 機(jī)務(wù)外場(chǎng)單目標(biāo)視頻跟蹤 73
4.6 小 結(jié) 75
參考文獻(xiàn) 75
第5章 基于半自動(dòng)權(quán)值卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法 77
5.1 概 述 77
5.2 SACF跟蹤方法 78
5.2.1 分層卷積特征 78
5.2.2 基于固定權(quán)值卷積神經(jīng)網(wǎng)絡(luò)跟蹤算法 78
5.2.3 基于半自動(dòng)權(quán)值卷積神經(jīng)網(wǎng)絡(luò)跟蹤算法 80
5.2.4 模型更新機(jī)制 81
5.2.5 尺度估計(jì)機(jī)制 81
5.2.6 在線檢測(cè)機(jī)制 82
5.3 仿真實(shí)驗(yàn) 82
5.3.1 OTB—2013數(shù)據(jù)庫(kù) 82
5.3.2 OTB—2015數(shù)據(jù)庫(kù) 85
5.3.3 DTB數(shù)據(jù)庫(kù) 88
5.3.4 TemplateColor數(shù)據(jù)庫(kù) 90
5.3.5 VOT—2016數(shù)據(jù)庫(kù) 92
5.3.6 機(jī)務(wù)外場(chǎng)單目標(biāo)視頻跟蹤 93
5.4 小 結(jié) 95
參考文獻(xiàn) 95
第6章 一種具有重檢測(cè)機(jī)制的互補(bǔ)學(xué)習(xí)目標(biāo)跟蹤算法 99
6.1 概 述 99
6.2 基于相關(guān)濾波框架的目標(biāo)跟蹤算法 99
6.3 重檢測(cè)機(jī)制的目標(biāo)跟蹤算法 100
6.3 重檢測(cè)機(jī)制的目標(biāo)跟蹤算法 100
6.3.1 自適應(yīng)余弦窗 101
6.3.2 跟蹤結(jié)果可靠性檢測(cè) 103
6.3.3 重檢測(cè)機(jī)制 104
6.3.4 自適應(yīng)模型更新 105
6.3.5 尺度估計(jì)機(jī)制 105
6.4 實(shí)驗(yàn)與討論 106
6.4.1 在OTB—2013數(shù)據(jù)庫(kù)中進(jìn)行仿真分析 106
6.4.2 在OTB—2015數(shù)據(jù)庫(kù)中進(jìn)行仿真分析 107
6.4.3 在TemplateColor數(shù)據(jù)庫(kù)中進(jìn)行仿真分析 111
6.4.4 在UAV123@10fps數(shù)據(jù)庫(kù)中進(jìn)行仿真分析 114
6.4.5 在VOT—2015數(shù)據(jù)庫(kù)中進(jìn)行仿真分析 116
6.4.6 跟蹤速度對(duì)比 117
6.4.7 機(jī)務(wù)外場(chǎng)單目標(biāo)視頻跟蹤 118
6.4.8 驗(yàn)證實(shí)驗(yàn) 119
6.5 小 結(jié) 124
參考文獻(xiàn) 124
第7章 基于??1范數(shù)和最小軟閾值均方的目標(biāo)跟蹤算法 127
7.1 概 述 127
7.2 ??1算法 128
7.3 基于??1 正則化和最小軟閾值的目標(biāo)跟蹤算法 128
7.3.1 基于??1正則化和PCA 基向量矩陣的目標(biāo)表示模型 128
7.3.2 基于??1 正則化和最小軟閾值的目標(biāo)跟蹤框架 129
7.4 實(shí)驗(yàn)結(jié)果 131
7.4.1 定性對(duì)比 131
7.4.2 定量對(duì)比 134
7.5 小 結(jié) 140
參考文獻(xiàn) 140
第8章 總結(jié)與展望 143
8.1 總 結(jié) 143
8.2 展 望 146
縮略詞 148