复杂场景下目标跟踪的理论与方法

1 绪论

1.1 意义

1.2 研究现状

1.2.1 表观模型

1.2.2 跟踪框架

1.3 本书的结构

2 基于图嵌入判别学习的表观模型

2.1 基于图嵌入的学习框架

2.1.1 图嵌入

2.1.2 图嵌入的降维学习

2.2 基于图嵌入学习的目标跟踪

2.2.1 问题描述

2.2.2 基于样本分布的图嵌入

2.2.3 跟踪算法

2.3 实验结果

3 基于增量张量子空间学习的表观模型

3.1 张量代数

3.2 张量分解

3.3 主成分分析

3.4 增量张量子空间学习

3.5 基于张量子空间学习的目标跟踪

3.6 实验评估

4 基于对数欧氏黎曼子空间学习的表观模型

4.1 黎曼流形和黎曼度量

4.2 协方差矩阵描述子

4.3 基于对数欧氏黎曼子空间学习的目标跟踪

4.3.1 目标跟踪框架概述

4.3.2 目标表达

4.3.3 增量对数欧氏黎曼子空间学习

4.3.4 贝叶斯目标状态估计

4.3.5 实验评估

4.4 基于空间对数欧氏表观模型的目标跟踪

4.4.1 目标表观分块

4.4.2 在线对数欧氏特征空间学习

4.4.3 局部空间滤波

4.4.4 全局空间滤波

4.4.5 相似度匹配

4.4.6 贝叶斯目标状态估计

4.4.7 实验评估

5 基于核贝叶斯的跟踪框架

5.1 核贝叶斯框架

5.1.1 核方法

5.1.2 贝叶斯方法

5.1.3 核贝叶斯方法

5.1.4 讨论和分析

5.2 核贝叶斯跟踪算法

5.2.1 基于空间约束混合高斯的表观模型

5.2.2 核贝叶斯跟踪框架

5.2.3 表观模型的选择性更新

5.2.4 实验结果

6 基于奇异值分解的卡尔曼粒子滤波框架

6.1 无迹卡尔曼粒子滤波算法

6.1.1 无迹卡尔曼滤波器

6.1.2 无迹卡尔曼粒子滤波算法

6.2 基于奇异值分解的卡尔曼粒子滤波算法

6.3 基于增量子空间学习的表观模型

6.4 实验结果

7 基于序列粒子群优化的跟踪框架

7.1 基于序列粒子群优化算法的单目标跟踪

7.1.1 粒子群优化算法

7.1.2 序列粒子群优化算法

7.1.3 算法分析

7.1.4 跟踪算法

7.1.5 实验结果

7.2 基于多种群粒子群优化算法的多目标跟踪

7.2.1 动机

7.2.2 多目标跟踪算法

7.2.3 算法理论分析

7.2.4 实验结果

参考文献

附录 彩图

索引