采用計算機視覺技術對城市交通中的車輛進行檢測與跟蹤是當前計算機視覺與模式識別領域研究的熱點問題，應用機器學習算法解決相應難點問題已經(jīng)成為近年來常見的研究手段。從視頻序列圖像巾檢測和識別出運動車輛屬性的前提就是穩(wěn)健并地跟蹤預定目標。《城市復雜交通場景下的運動車輛跟蹤技術研究》結合作者近幾年的相關研究成果，全面系統(tǒng)地介紹了運動車輛的檢測與跟蹤的技術概況、主要原理、經(jīng)典方法和相關研究的新成果�！冻鞘袕碗s交通場景下的運動車輛跟蹤技術研究》內容新穎，聯(lián)系智慧城市建設與智能交通檢測等問題，可以作為高等院校及科研院所計算機視覺、模式識別與機器學習等領域高年級本科生、研究生的教學和參考用書，也可以供相關領域科研與工程技術人員作為參考書使用。
1 緒論
1．1 車輛跟蹤的研究背景
1．2 國內外研究現(xiàn)狀及其應用
1．3 涉及的主要研究內容、面臨的難點與解決方法
1．4 已有技術手段及其弱點
1．5 研究所采用的技術方案與路線
1．6 標準測試視頻集及相關國內外主流雜志、會議
1．7 本書的結構安排
2 視覺目標車輛跟蹤中粒子濾波算法的改進
2．1 粒子濾波簡介
2．2 視覺目標跟蹤中的粒子濾波理論分析
2．3 引入前幀加權采樣的粒子濾波目標跟蹤
2．4 引入殘差信息的分層重采樣
2．4．1 目前幾種典型的重采樣策略
2．4．2 引入殘差信息的分層重采樣算法步驟
2．4．3 引入殘差信息的分層重采樣的仿真研究
2．4．4 本章改進的重采樣在運動車輛跟蹤中的實際測試
2．5 視覺車輛跟蹤中的特征選擇與分析
2．5．1 本章所用紋理特征
2．5．2 車輛跟蹤算法流程、試驗結果與分析
3 子空間學習框架下的實時車輛圖像跟蹤
3．1 基于圖像的子空間學習在車輛跟蹤中的研究背景
3．2 增量主成分分析IPCA方法
3．2．1 Hall的增量主成分分析IPCA算法
3．2．2．Ross提出的IPCA算法
3．2．3 基于自相關矩陣更新與EVI）分解的IPCA
3．3 基于自相關矩陣的IPCA算法的執(zhí)行
3．4 子空間更新方法的算法復雜度對比
3．5 自相關矩陣IPCA視覺跟蹤的總體流程
3．5．1 本章跟蹤涉及的相關參數(shù)與解釋
3．5．2 本章目標車輛跟蹤方法的總體執(zhí)行流程
3．6 車輛跟蹤的實驗結果與對比分析
4 基于李群理論與特征子空間基的車輛跟蹤
4．1 引言
4．2 群空間在視覺跟蹤算法中的引入
4．3 基于仿射群組幾何屬性的視覺目標跟蹤
4．3．1 李群與李代數(shù)
4．3．2 基于仿射群組的目標狀態(tài)方程及其描述
4．3．3 融入測量向量后的粒子權值的更新與計算
4．3．4 增量PCA算法及目標圖像特征子空間向量基
4．4 本章視覺目標跟蹤算法的總體框架
4．5 基于標準數(shù)據(jù)源的試驗與分析
5 基于在線學習理論的車輛識別與跟蹤
5．1 車輛在線識別跟蹤難點及研究背景
5．2 基于運動模板檢測的online boosting算法
5．2．1 MT online boosting算法的構成與執(zhí)行流程
5．2．2 MT online boosting算法中識別特征的選擇
5．2．3 在線學習樣本的檢測定位及弱分類器的更新
5．2．4 參數(shù)設置及試驗結果
6 B對偶空間幾何中基于消隱點的攝像機標定與測距
6．1 目前常見的攝像機標定方法與視覺測距
6．2 B對偶空間幾何中攝像機內參數(shù)初值的計算方法
6．2．1 B對偶空間幾何的相關屬性
6．2．2 B對偶空間下基于消隱點的內參數(shù)計算方法
6．3 本章攝像機標定的流程與相關參數(shù)
6．4 試驗結果與對比分析
6．5 基于視覺方法的前車車距計算
參考文獻
書單推薦
