掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
深度學(xué)習(xí)
-
>
Unreal Engine 4藍(lán)圖完全學(xué)習(xí)教程
-
>
深入理解計(jì)算機(jī)系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應(yīng)用從入門到精通-(附贈1DVD.含語音視頻教學(xué)+辦公模板+PDF電子書)
序列圖像中運(yùn)動目標(biāo)跟蹤方法 版權(quán)信息
- ISBN：9787030272423
- 條形碼：9787030272423 ; 978-7-03-027242-3
- 裝幀：暫無
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
序列圖像中運(yùn)動目標(biāo)跟蹤方法 本書特色
本書是“智能科學(xué)技術(shù)著作叢書”之一，全書共分10個章節(jié)，主要對序列圖像中運(yùn)動目標(biāo)跟蹤方法作了介紹，具體內(nèi)容包括基于粒子濾波器的目標(biāo)跟蹤算法、基于積分圖像的快速粒子濾波器跟蹤、利用二階信息的mean shift目標(biāo)跟蹤算法、基于mean shift的仿射變換和相似性變換目標(biāo)跟蹤、基于偏微分方程的目標(biāo)跟蹤方法等。該書可供各大專院校作為教材使用，也可供從事相關(guān)工作的人員作為參考用書使用。
序列圖像中運(yùn)動目標(biāo)跟蹤方法 內(nèi)容簡介
本書主要內(nèi)容包括目標(biāo)跟蹤的介紹(第1章)、基于濾波理論的目標(biāo)跟蹤方法(第2～4章)、基于mean shift的目標(biāo)跟蹤方法(第5～9章)和基于偏微分方程的目標(biāo)跟蹤方法(第10章)，介紹了相關(guān)跟蹤方法的研究背景、理論基礎(chǔ)、算法描述、計(jì)算復(fù)雜性分析，并給出了相應(yīng)的實(shí)驗(yàn)結(jié)果。本書是序列圖像中目標(biāo)跟蹤方面的專著，反映了作者近年來在這一領(lǐng)域的主要研究成果。
本書內(nèi)容新穎、結(jié)構(gòu)清晰、語言簡練，可作為大專院校及科研院所圖像處理、視頻處理和計(jì)算機(jī)視覺等領(lǐng)域的高年級本科生、研究生的教材和參考書，也可作為相關(guān)領(lǐng)域的教師、科研人員以及從事安防、視頻監(jiān)控行業(yè)的工程技術(shù)人員的參考書。
序列圖像中運(yùn)動目標(biāo)跟蹤方法 目錄
前言
第1章 緒論
1.1 目標(biāo)跟蹤的應(yīng)用
1.1.1 在智能人機(jī)交互中的應(yīng)用
1.1.2 在醫(yī)療診斷中的應(yīng)用
1.1.3 在智能機(jī)器人中的應(yīng)用
1.1.4 在視頻監(jiān)控中的應(yīng)用
1.2 目標(biāo)跟蹤的分類
1.2.1 基于濾波理論的目標(biāo)跟蹤方法
1.2.2 基于mean shift的目標(biāo)跟蹤方法
1.2.3 基于偏微分方程的目標(biāo)跟蹤方法
參考文獻(xiàn)
第2章 基于unseented卡爾曼濾波器的目標(biāo)跟蹤
2.1 引言
2.2 目標(biāo)輪廓的b樣條曲線表達(dá)
2.2.1 樣條函數(shù)空間和b樣條基函數(shù)
2.2.2 b樣條曲線空間、樣條向量空間和形狀空間及其內(nèi)積和范數(shù)
2.3 運(yùn)動模型的學(xué)習(xí)
2.3.1 運(yùn)動模型的*大似然學(xué)習(xí)
2.3.2 運(yùn)動模型的*大期望學(xué)習(xí)
2.4 卡爾曼濾波器跟蹤算法
2.5 unscented卡爾曼濾波器跟蹤算法
2.5.1 unscented變換
2.5.2 非線性觀測模型
2.5.3 跟蹤算法
2.5.4 實(shí)驗(yàn)
2.6 本章小結(jié)
參考文獻(xiàn)
第3章 基于粒子濾波器的目標(biāo)跟蹤算法
3.1 引言
3.2 動態(tài)模型、形狀模型及觀測模型
3.2.1 動態(tài)模型
3.2.2 形狀模型和觀測模型
3.3 標(biāo)準(zhǔn)的粒子濾波器和條件概率密度傳播算法
3.3.1 一般的目標(biāo)跟蹤問題
3.3.2 一般的粒子濾波器
3.3.3 條件概率密度傳播算法
3.4 基于卡爾曼粒子濾波器和unscented粒子濾波器的目標(biāo)跟蹤算法
3.4.1 基于卡爾曼粒子濾波器的跟蹤算法
3.4.2 基于unscented粒子濾波器的跟蹤算法
3.4.3 算法性能分析和時間分析
3.4.4 實(shí)驗(yàn)
3.5 本章小結(jié)
參考文獻(xiàn)
第4章 基于積分圖像的快速粒子濾波器跟蹤
4.1 引言
4.2 基于顏色的粒子濾波器算法
4.2.1 自適應(yīng)顏色模型
4.2.2 基于積分圖像的顏色模型計(jì)算
4.2.3 計(jì)算積分圖像的并行算法
4.3 跟蹤算法及實(shí)驗(yàn)
4.3.1 跟蹤算法
4.3.2 實(shí)驗(yàn)
4.4 本章小結(jié)
參考文獻(xiàn)
第5章 利用二階信息的mean shift目標(biāo)跟蹤算法
5.1 引言
5.2 傳統(tǒng)mean shift跟蹤算法
5.2.1 非參量核概率密度估計(jì)和mean shift迭代
5.2.2 模型表達(dá)及跟蹤算法
5.3 牛頓法
5.3.1 步長選擇模型及終止條件
5.3.2 步長選擇算法
5.4 信賴域方法
5.4.1 信賴域算法
5.4.2 信賴域方向
5.5 實(shí)驗(yàn)
5.6 本章小結(jié)
參考文獻(xiàn)
第6章 基于聚類的顏色模型及mean shift跟蹤
6.1 引言
6.2 基于聚類的顏色模型
6.2.1 顏色空間的自適應(yīng)剖分
6.2.2 顏色模型及相似性度量
6.3 mean shift跟蹤算法
6.3.1 算法的推導(dǎo)過程
6.3.2 算法的復(fù)雜性分析
6.3.3 實(shí)驗(yàn)
6.4 本章小結(jié)
參考文獻(xiàn)
第7章 基于mean shift的仿射變換和相似性變換目標(biāo)跟蹤
7.1 引言
7.2 基于mean shift算法的仿射運(yùn)動目標(biāo)跟蹤
7.2.1 平移向量的估計(jì)
7.2.2 旋轉(zhuǎn)角度的估計(jì)
7.2.3 跟蹤算法
7.2.4 實(shí)驗(yàn)
7.3 基于mean shift算法的相似性變換目標(biāo)跟蹤
7.3.1 平移向量的估計(jì)
7.3.2 旋轉(zhuǎn)角度的估計(jì)
7.3.3 跟蹤算法
7.3.4 實(shí)驗(yàn)
7.4 計(jì)算復(fù)雜性分析
7.5 本章小結(jié)
參考文獻(xiàn)
第8章 并行mean shift目標(biāo)跟蹤算法
8.1 引言
8.2 cuda介紹
8.3 基于多元高斯分布的顏色空間剖分
8.4 基于gpu的并行mean shift跟蹤算法
8.5 實(shí)驗(yàn)
8.6 本章小結(jié)
參考文獻(xiàn)
第9章 基于emd的mean shift跟蹤算法
9.1 引言
9.2 顏色概率密度表達(dá)及emd定義
9.2.1 顏色概率密度表達(dá)
9.2.2 emd定義
9.3 單純形法計(jì)算emd
9.4 基于emd的mean shift算法
9.4.1 相似性度量函數(shù)*優(yōu)化
9.4.2 基于emd的mean shift算法
9.5 實(shí)驗(yàn).
9.5.1 走廊序列
9.5.2 行人序列
9.6 本章小結(jié)
參考文獻(xiàn)
第10章 基于偏微分方程的目標(biāo)跟蹤方法
10.1 引言
10.2 基于jensen-shannon散度的區(qū)域泛函
10.3 偏微分方程的推導(dǎo)
10.3.1 形狀導(dǎo)數(shù)理論簡介
10.3.2 基于形狀導(dǎo)數(shù)理論的偏微分方程推導(dǎo)
10.3.3 基于變分理論的偏微分方程推導(dǎo)
10.4 目標(biāo)跟蹤的水平集方法
10.4.1 水平集函數(shù)的推導(dǎo)
10.4.2 偏微分方程的時空離散化
10.4.3 數(shù)值算法中的重新初始化
10.4.4 實(shí)驗(yàn)
10.5 本章小結(jié)
參考文獻(xiàn)
第1章 緒論
1.1 目標(biāo)跟蹤的應(yīng)用
1.1.1 在智能人機(jī)交互中的應(yīng)用
1.1.2 在醫(yī)療診斷中的應(yīng)用
1.1.3 在智能機(jī)器人中的應(yīng)用
1.1.4 在視頻監(jiān)控中的應(yīng)用
1.2 目標(biāo)跟蹤的分類
1.2.1 基于濾波理論的目標(biāo)跟蹤方法
1.2.2 基于mean shift的目標(biāo)跟蹤方法
1.2.3 基于偏微分方程的目標(biāo)跟蹤方法
參考文獻(xiàn)
第2章 基于unseented卡爾曼濾波器的目標(biāo)跟蹤
2.1 引言
2.2 目標(biāo)輪廓的b樣條曲線表達(dá)
2.2.1 樣條函數(shù)空間和b樣條基函數(shù)
2.2.2 b樣條曲線空間、樣條向量空間和形狀空間及其內(nèi)積和范數(shù)
2.3 運(yùn)動模型的學(xué)習(xí)
2.3.1 運(yùn)動模型的*大似然學(xué)習(xí)
2.3.2 運(yùn)動模型的*大期望學(xué)習(xí)
2.4 卡爾曼濾波器跟蹤算法
2.5 unscented卡爾曼濾波器跟蹤算法
2.5.1 unscented變換
2.5.2 非線性觀測模型
2.5.3 跟蹤算法
2.5.4 實(shí)驗(yàn)
2.6 本章小結(jié)
參考文獻(xiàn)
第3章 基于粒子濾波器的目標(biāo)跟蹤算法
3.1 引言
3.2 動態(tài)模型、形狀模型及觀測模型
3.2.1 動態(tài)模型
3.2.2 形狀模型和觀測模型
3.3 標(biāo)準(zhǔn)的粒子濾波器和條件概率密度傳播算法
3.3.1 一般的目標(biāo)跟蹤問題
3.3.2 一般的粒子濾波器
3.3.3 條件概率密度傳播算法
3.4 基于卡爾曼粒子濾波器和unscented粒子濾波器的目標(biāo)跟蹤算法
3.4.1 基于卡爾曼粒子濾波器的跟蹤算法
3.4.2 基于unscented粒子濾波器的跟蹤算法
3.4.3 算法性能分析和時間分析
3.4.4 實(shí)驗(yàn)
3.5 本章小結(jié)
參考文獻(xiàn)
第4章 基于積分圖像的快速粒子濾波器跟蹤
4.1 引言
4.2 基于顏色的粒子濾波器算法
4.2.1 自適應(yīng)顏色模型
4.2.2 基于積分圖像的顏色模型計(jì)算
4.2.3 計(jì)算積分圖像的并行算法
4.3 跟蹤算法及實(shí)驗(yàn)
4.3.1 跟蹤算法
4.3.2 實(shí)驗(yàn)
4.4 本章小結(jié)
參考文獻(xiàn)
第5章 利用二階信息的mean shift目標(biāo)跟蹤算法
5.1 引言
5.2 傳統(tǒng)mean shift跟蹤算法
5.2.1 非參量核概率密度估計(jì)和mean shift迭代
5.2.2 模型表達(dá)及跟蹤算法
5.3 牛頓法
5.3.1 步長選擇模型及終止條件
5.3.2 步長選擇算法
5.4 信賴域方法
5.4.1 信賴域算法
5.4.2 信賴域方向
5.5 實(shí)驗(yàn)
5.6 本章小結(jié)
參考文獻(xiàn)
第6章 基于聚類的顏色模型及mean shift跟蹤
6.1 引言
6.2 基于聚類的顏色模型
6.2.1 顏色空間的自適應(yīng)剖分
6.2.2 顏色模型及相似性度量
6.3 mean shift跟蹤算法
6.3.1 算法的推導(dǎo)過程
6.3.2 算法的復(fù)雜性分析
6.3.3 實(shí)驗(yàn)
6.4 本章小結(jié)
參考文獻(xiàn)
第7章 基于mean shift的仿射變換和相似性變換目標(biāo)跟蹤
7.1 引言
7.2 基于mean shift算法的仿射運(yùn)動目標(biāo)跟蹤
7.2.1 平移向量的估計(jì)
7.2.2 旋轉(zhuǎn)角度的估計(jì)
7.2.3 跟蹤算法
7.2.4 實(shí)驗(yàn)
7.3 基于mean shift算法的相似性變換目標(biāo)跟蹤
7.3.1 平移向量的估計(jì)
7.3.2 旋轉(zhuǎn)角度的估計(jì)
7.3.3 跟蹤算法
7.3.4 實(shí)驗(yàn)
7.4 計(jì)算復(fù)雜性分析
7.5 本章小結(jié)
參考文獻(xiàn)
第8章 并行mean shift目標(biāo)跟蹤算法
8.1 引言
8.2 cuda介紹
8.3 基于多元高斯分布的顏色空間剖分
8.4 基于gpu的并行mean shift跟蹤算法
8.5 實(shí)驗(yàn)
8.6 本章小結(jié)
參考文獻(xiàn)
第9章 基于emd的mean shift跟蹤算法
9.1 引言
9.2 顏色概率密度表達(dá)及emd定義
9.2.1 顏色概率密度表達(dá)
9.2.2 emd定義
9.3 單純形法計(jì)算emd
9.4 基于emd的mean shift算法
9.4.1 相似性度量函數(shù)*優(yōu)化
9.4.2 基于emd的mean shift算法
9.5 實(shí)驗(yàn).
9.5.1 走廊序列
9.5.2 行人序列
9.6 本章小結(jié)
參考文獻(xiàn)
第10章 基于偏微分方程的目標(biāo)跟蹤方法
10.1 引言
10.2 基于jensen-shannon散度的區(qū)域泛函
10.3 偏微分方程的推導(dǎo)
10.3.1 形狀導(dǎo)數(shù)理論簡介
10.3.2 基于形狀導(dǎo)數(shù)理論的偏微分方程推導(dǎo)
10.3.3 基于變分理論的偏微分方程推導(dǎo)
10.4 目標(biāo)跟蹤的水平集方法
10.4.1 水平集函數(shù)的推導(dǎo)
10.4.2 偏微分方程的時空離散化
10.4.3 數(shù)值算法中的重新初始化
10.4.4 實(shí)驗(yàn)
10.5 本章小結(jié)
參考文獻(xiàn)
展開全部
序列圖像中運(yùn)動目標(biāo)跟蹤方法 節(jié)選
《序列圖像中運(yùn)動目標(biāo)跟蹤方法》主要內(nèi)容包括目標(biāo)跟蹤的介紹(第1章)、基于濾波理論的目標(biāo)跟蹤方法(第2～4章)、基于MeanShih的目標(biāo)跟蹤方法(第5～9章)和基于偏微分方程的目標(biāo)跟蹤方法(第10章)，介紹了相關(guān)跟蹤方法的研究背景、理論基礎(chǔ)、算法描述、計(jì)算復(fù)雜性分析，并給出了相應(yīng)的實(shí)驗(yàn)結(jié)果。《序列圖像中運(yùn)動目標(biāo)跟蹤方法》是序列圖像中目標(biāo)跟蹤方面的專著，反映了作者近年來在這一領(lǐng)域的主要研究成果。《序列圖像中運(yùn)動目標(biāo)跟蹤方法》內(nèi)容新穎、結(jié)構(gòu)清晰、語言簡練，可作為大專院校及科研院所圖像處理、視頻處理和計(jì)算機(jī)視覺等領(lǐng)域的高年級本科生、研究生的教材和參考書，也可作為相關(guān)領(lǐng)域的教師、科研人員以及從事安防、視頻監(jiān)控行業(yè)的工程技術(shù)人員的參考書。
書友推薦
- >
朝聞道
- >
山海經(jīng)
- >
我從未如此眷戀人間
- >
苦雨齋序跋文-周作人自編集
- >
上帝之肋:男人的真實(shí)旅程
- >
有舍有得是人生
- >
李白與唐代文化
- >
莉莉和章魚
本類暢銷
