城市復雜交通場景下的運動車輛跟蹤技術(shù)研究

1 緒論
1．1 車輛跟蹤的研究背景
1．2 國內(nèi)外研究現(xiàn)狀及其應用
1．3 涉及的主要研究內(nèi)容、面臨的難點與解決方法
1．4 已有技術(shù)手段及其弱點
1．5 研究所采用的技術(shù)方案與路線
1．6 標準測試視頻集及相關(guān)國內(nèi)外主流雜志、會議
1．7 本書的結(jié)構(gòu)安排
2 視覺目標車輛跟蹤中粒子濾波算法的改進
2．1 粒子濾波簡介
2．2 視覺目標跟蹤中的粒子濾波理論分析
2．3 引入前幀加權(quán)采樣的粒子濾波目標跟蹤
2．4 引入殘差信息的分層重采樣
2．4．1 目前幾種典型的重采樣策略
2．4．2 引入殘差信息的分層重采樣算法步驟
2．4．3 引入殘差信息的分層重采樣的仿真研究
2．4．4 本章改進的重采樣在運動車輛跟蹤中的實際測試
2．5 視覺車輛跟蹤中的特征選擇與分析
2．5．1 本章所用紋理特征
2．5．2 車輛跟蹤算法流程、試驗結(jié)果與分析
3 子空間學習框架下的實時車輛圖像跟蹤
3．1 基于圖像的子空間學習在車輛跟蹤中的研究背景
3．2 增量主成分分析IPCA方法
3．2．1 Hall的增量主成分分析IPCA算法
3．2．2．Ross提出的IPCA算法
3．2．3 基于自相關(guān)矩陣更新與EVI）分解的IPCA
3．3 基于自相關(guān)矩陣的IPCA算法的執(zhí)行
3．4 子空間更新方法的算法復雜度對比
3．5 自相關(guān)矩陣IPCA視覺跟蹤的總體流程
3．5．1 本章跟蹤涉及的相關(guān)參數(shù)與解釋
3．5．2 本章目標車輛跟蹤方法的總體執(zhí)行流程
3．6 車輛跟蹤的實驗結(jié)果與對比分析
4 基于李群理論與特征子空間基的車輛跟蹤
4．1 引言
4．2 群空間在視覺跟蹤算法中的引入
4．3 基于仿射群組幾何屬性的視覺目標跟蹤
4．3．1 李群與李代數(shù)
4．3．2 基于仿射群組的目標狀態(tài)方程及其描述
4．3．3 融入測量向量后的粒子權(quán)值的更新與計算
4．3．4 增量PCA算法及目標圖像特征子空間向量基
4．4 本章視覺目標跟蹤算法的總體框架
4．5 基于標準數(shù)據(jù)源的試驗與分析
5 基于在線學習理論的車輛識別與跟蹤
5．1 車輛在線識別跟蹤難點及研究背景
5．2 基于運動模板檢測的online boosting算法
5．2．1 MT online boosting算法的構(gòu)成與執(zhí)行流程
5．2．2 MT online boosting算法中識別特征的選擇
5．2．3 在線學習樣本的檢測定位及弱分類器的更新
5．2．4 參數(shù)設(shè)置及試驗結(jié)果
6 B對偶空間幾何中基于消隱點的攝像機標定與測距
6．1 目前常見的攝像機標定方法與視覺測距
6．2 B對偶空間幾何中攝像機內(nèi)參數(shù)初值的計算方法
6．2．1 B對偶空間幾何的相關(guān)屬性
6．2．2 B對偶空間下基于消隱點的內(nèi)參數(shù)計算方法
6．3 本章攝像機標定的流程與相關(guān)參數(shù)
6．4 試驗結(jié)果與對比分析
6．5 基于視覺方法的前車車距計算
參考文獻