复杂场景下目标跟踪关键技术

1 绪论
1.1 研究背景及意义
1.2 研究范畴
1.3 国内外研究现状
1.3.1 生成式跟踪模型
1.3.2 判别式跟踪模型
1.3.3 基于孪生网络的跟踪模型
1.4 目标跟踪面临的挑战
1.5 存在的问题
1.6 研究内容
1.7 本书结构
2 相关准备知识
2.1 Camshift算法-生成式模型
2.2 相关滤波算法-判别式模型
2.2.1 循环矩阵的性质
2.2.2 单通道的岭回归建模
2.2.3 多通道的岭回归建模
2.3 孪生网络结构的目标跟踪架构
2.4 目标跟踪中的常用特征
2.4.1 经典手工特征
2.4.2 深度特征
2.4.3 轻量型卷积神经网络
2.5 目标跟踪测试集及评价指标
2.5.1 测试数据集
2.5.2 评价指标
2.6 本章小结
3 联合改进局部纹理特征和辅助重定位的生成式跟踪算法
3.1 研究动机
3.2 整体框架
3.3 联合改进局部纹理特征和辅助重定位的跟踪算法
3.3.1 基于改进粒子群优化算法的局部纹理特征模型
3.3.2 目标外观表征模型
3.3.3 基于改进局部纹理特征的跟踪算法
3.3.4 基于样本队列的目标重定位模块
3.3.5 目标模板更新
3.3.6 算法流程
3.4 实验结果分析及讨论
3.4.1 定量分析
3.4.2 定性分析
3.5 本章小结
4 基于动态空间正则化和目标显著性引导的相关滤波跟踪算法
4.1 研究动机
4.2 整体框架
4.3 空间正则化和目标显著性引导的相关滤波跟踪算法
4.3.1 动态空间正则化目标函数的建模
4.3.2 目标函数的优化过程
4.3.3 目标外观表征模型
4.3.4 基于动态空间正则化的跟踪算法
4.3.5 基于目标显著性引导的重检测模块
4.3.6 目标模型更新
4.3.7 算法流程
4.4 实验结果分析及讨论
4.4.1 显著性检测效果对比分析
4.4.2 目标跟踪结果对比分析
4.5 本章小结
5 基于优化多特征耦合模型和尺度自适应的相关滤波跟踪算法
5.1 研究动机
5.2 整体框架
5.3 多特征耦合建模和尺度自适应的相关滤波跟踪算法
5.3.1 判别式相关滤波模型
5.3.2 多特征耦合目标函数的建模
5.3.3 目标函数的优化过程
5.3.4 基于多特征耦合的跟踪算法
5.3.5 候选区域建议方案
5.3.6 目标模型更新
5.3.7 算法流程
5.4 实验结果分析及讨论
5.4.1 定量分析
5.4.2 定性分析
5.5 本章小结
6 改进深度特征与稀疏／平滑双约束的相关滤波跟踪算法
6.1 研究动机
6.2 整体框架
6.3 分层深度特征和低秩相关滤波的跟踪模型
6.3.1 单通道的套索回归建模
6.3.2 滤波器的低秩约束
6.3.3 多通道的低秩建模
6.3.4 目标函数的优化过程
6.3.5 目标外观表征模型
6.3.6 由粗粒度到细粒度的跟踪算法
6.3.7 目标模型更新
6.3.8 算法流程
6.4 实验结果分析及讨论
6.4.1 定量分析
6.4.2 定性分析
6.5 本章小结
7 基于双模板分支和层次化自适应损失函数的孪生轻量型网络的目标跟踪算法
7.1 研究动机
7.2 整体框架
7.3 基于双模板分支孪生轻量型网络的目标跟踪算法
7.3.1 构建层次化自适应损失函数的轻量型CNN
7.3.2 核损失函数分析
7.3.3 动态外观模板构建
7.3.4 双模板分支目标跟踪模块
7.3.5 算法流程
7.4 实验结果分析及讨论
7.4.1 消融实验
7.4.2 定量分析
7.4.3 性能与速度分析
7.4.4 定性分析
7.5 本章小结
8 基于目标检测跟踪的智能视频监控系统
8.1 系统概述
8.1.1 系统总体架构
8.1.2 客户端的总体架构
8.1.3 服务器的总体架构
8.1.4 系统的通信流程
8.2 客户端功能设计
8.2.1 数据采集模块设计
8.2.2 数据传输模块设计
8.2.3 报警联动模块设计
8.3 服务器功能设计
8.3.1 硬盘录像模块设计
8.3.2 目标检测模块设计
8.3.3 车牌识别模块设计
8.3.4 目标跟踪模块设计
8.4 系统网络架构设计
8.5 系统心跳、容灾机制设计
8.6 系统测试分析
8.6.1 测试环境搭建
8.6.2 目标检测模块测试与分析
8.6.3 目标跟踪模块测试与分析
8.6.4 系统容灾能力测试与分析
8.6.5 协议包分析
8.7 本章小结
参考文献
附录
后记