摘要
ABSTRACT
第一章 绪论
1.1 本课题的研究目的和意义
1.2 视频目标跟踪与行为识别的研究现状
1.2.1 运动目标的跟踪
1.2.2 运动模式的识别
1.3 本文工作与章节安排
第二章 目标跟踪与行为识别综述
2.1 目标跟踪的主要方法
2.1.1 基于特征的跟踪方法
2.1.2 基于动态轮廓的跟踪方法
2.1.3 基于区域的跟踪方法
2.1.4 基于模型的跟踪方法
2.2 行为识别的主要方法
2.2.1 一般数学工具
2.2.2 行为识别算法
2.2.3 语义描述
2.3 本章小结
第三章 融合CamShift和粒子滤波的跟踪算法
3.1 目标跟踪的动态贝叶斯网络框架
3.2 粒子滤波跟踪算法
3.2.1 序贯重要采样
3.2.2 改进的粒子滤波算法
3.3 Mean Shift和CamShift跟踪算法
3.3.1 Mean Shift过程
3.3.2 Mean Shift在图像跟踪上的应用
3.3.3 CamShift跟踪算法
3.4 结合CamShift和粒子滤波的跟踪算法
3.4.1 算法融合框架
3.4.2 粒子尺度自适应调整
3.4.3 算法效率改进
3.4.4 粒子多样性提高
3.5 实验结果与分析
3.5.1 粒子滤波算法的实现和分析
3.5.2 Mean Shift的程序和分析
3.5.3 CAMSGPF的实验结果和分析
3.6 本章小结
第四章 基于马尔可夫随机场的多目标主动跟踪系统
4.1 系统概述
4.2 目标检测
4.3 目标观测模型
4.3.1 颜色直方图
4.3.2 Gabor小波网
4.3.3 运动补偿差
4.3.4 特征的组合
4.4 目标动态模型
4.4.1 全局运动估计
4.4.2 GWN空间的动态模型
4.5 马尔可夫随机场多目标互动模型
4.5.1 多目标分布概率模型
4.5.2 多目标粒子滤波器
4.6 摄像机控制算法
4.6.1 单步式摄像机姿态调整
4.6.2 连续速率摄像机姿态调整
4.7 实验结果与分析
4.7.1 目标检测
4.7.2 目标跟踪
4.7.3 摄像机调整
4.8 本章小结
第五章 时变网络模型及其在运动目标行为识别中的应用
5.1 隐马尔可夫模型
5.1.1 模型表示
5.1.2 模型学习
5.1.3 模型估计
5.2 动态贝叶斯网络
5.2.1 模型表示
5.2.2 基于完整数据的模型学习
5.2.3 基于缺失数据的模型学习
5.3 非平稳模型扩展
5.3.1 分级Dirichlet分布
5.3.2 隐变量
5.3.3 Dirichlet过程
5.4 时变隐马尔可夫模型
5.4.1 时变转移密度
5.4.2 分级Dirichlet先验分布
5.4.3 DBN等价表示
5.4.4 基于MCMC采样的最大后验估计
5.5 实验结果与分析
5.5.1 数值仿真
5.5.2 人体运动识别
5.5.3 行人
5.5.4 网络时变结构仿真
5.6 本章小结
第六章 结论
6.1 本文主要工作总结
6.2 后续研究方向展望
参考文献
附录A 符号与标记
附录B 公式推导
攻读硕士学位期间已发表或录用的论文
攻读硕士学位期间参与的科研项目
致谢
上海交通大学;
视频跟踪; 行为识别; 粒子滤波; 均值漂移; 隐马尔可夫模型; 动态贝叶斯网络; 分级Dirichlet分布; 马尔可夫链蒙特卡罗;