第一章 绪论
1．1 引言
1．2 本书的内容安排
第二章 前景目标检测
2．1 前景检测算法分类
2．2 传统的前景检测算法
2．2．1 背景差分法
2．2．2 帧间差分法
2．2．3 光流法
2．3 基于背景建模的前景检测算法
2．3．1 基于混合高斯模型的背景建模
2．3．2 基于码本（CodeBook）的背景建模
2．4 本章小结
第三章 最大化相似性阈值分割及其应用
3．1 符号规范
3．2 PCC和Otsu方法的关系
3．3 MST框架
3．4 提出的MST方法
3．5 实验结果和讨论
3．5．1 在合成图像上的实验
3．5．2 在真实世界图像上的实验
3．5．3 计算复杂性比较
3．6 在视频跟踪方面的应用
3．7 结论
第四章 视觉跟踪中的目标拟合方法
4．1 引言
4．2 目标拟合效率的评价指标
4．3 基于质心的快速椭圆拟合方法
4．3．1 最小闭合椭圆模型
4．3．2 最小闭合椭球模型
4．3．3 基于质心的快速椭圆拟合
4．3．4 实验结果及分析
4．4 基于多目标优化的椭圆拟合方法
4．4．1 问题的提出
4．4．2 椭圆拟合的多目标优化模型
4．4．3 模型求解
4．4．4 实验结果
4．5 小结
第五章 基于增量式子空间学习的目标跟踪算法
5．1 增量式线性子空间
5．1．1 PCA数据降维的依据
5．1．2 PCA数据降维的过程
5．1．3 增量式线性子空间训练的关键步骤
5．2 IVT中的动态模型和观测模型
5．2．1 IVT算法的动态模型细节
5．2．2 二维坐标的平移变换
5．2．3 二维坐标的旋转变化
5．2．4 动态模型采样粒子的Matlab代码及说明
5．3 观测模型的Matlab代码
5．4 视觉目标跟踪算法的性能评测指标
5．4．1 评价指标综述
5．4．2 跟踪中心距离度
5．4．3 重叠率
5．5 反馈式重采样策略下的增量式外观模型的目标跟踪算法
5．5．1 IVT算法存在的问题
5．5．2 反馈式重采样策略下的改进算法
5．5．3 实验结果与分析
5．5．4 总结
5．6 基于约束条件下的分段式外观模型的目标跟踪算法
5．6．1 约束条件下的分段子空间介绍
5．6．2 离线训练子空间约束条件
5．6．3 子空间模型学习方法介绍
5．6．4 基于分段线性子空间学习下的跟踪算法
5．6．5 实验结果与分析
5．6．6 总结
5．6．7 IVT算法代码说明
第六章 基于自组织映射的MeanShift改进跟踪算法
6．1 MeanShift跟踪算法
6．1．1 MeanShift跟踪算法原理
6．1．2 MeanShift跟踪算法实现步骤
6．1．3 MeanShift跟踪算法Matlab实现流程
6．2 基于SOM的MeanShift改进跟踪算法
6．2．1 前向一后向跟踪
6．2．2 检测
6．3 仿真分析
6．4 算法讨论
6．5 总结
第七章 跟踪与在线学习及检测相结合跟踪算法
7．1 TLD框架介绍
7．1．1 跟踪模块
7．1．2 检测模块
7．1．3 P-N学习
7．2 TLD中的目标检测算法
7．2．1 方差分类器
7．2．2 级联分类器
7．2．3 KNN分类器
7．3 实验结果及性能分析
7．4 基于TLD框架的多人脸目标自动检测与跟踪算法设计
7．4．1 人脸目标检测
7．4．2 多人脸的标记与分离策略
7．4．3 基于单目标TLD的多人脸跟踪
7．4．4 多目标TLD的实现
7．4．5 改进后的多目标TLD与人脸检测相结合
7．5 多人脸目标跟踪系统的OpenCV实现
7．5．1 多人脸目标跟踪系统框架实现
7．5．2 系统实现细节及操作说明
第八章 一个完整的实时视频监控系统实例
8．1 简介
8．1．1 概述
8．1．2 前景检测
8．2 基准模型
8．2．1 噪声抑制
8．2．2 双层阴影（亮点）去除
8．2．3 对象状态
8．2．4 状态过渡中目标跟踪过程
8．3 匹配度量
8．4 伪对象检测
8．5 对象分类
8．6 实验研究及潜在的应用
8．7 结论
附录 PCC测度
参考文献
展开
