計算機(jī)視覺中的運(yùn)動檢測與跟蹤

第一章 緒論
1.1 運(yùn)動的分類
1.2 計算機(jī)視覺中運(yùn)動分析模型
1.3 計算機(jī)視覺中運(yùn)動檢測和目標(biāo)跟蹤技術(shù)研究現(xiàn)狀
1.4 計算機(jī)視覺中運(yùn)動分析的技術(shù)難點(diǎn)
1.5 本書各章節(jié)內(nèi)容簡介
第二章 傳統(tǒng)的運(yùn)動檢測和目標(biāo)跟蹤算法
2.1 傳統(tǒng)的運(yùn)動檢測算法
2.2 常用目標(biāo)跟蹤算法
2.3 粒子濾波在跟蹤算法中的應(yīng)用
2.4 mean-shift在跟蹤算法中的應(yīng)用
2.5 方向符號法在跟蹤算法中的應(yīng)用
2.6 小結(jié)與討論
第三章 周期性運(yùn)動特征的低速目標(biāo)跟蹤算法
3.1 周期性運(yùn)動特征的動態(tài)目標(biāo)跟蹤策略
3.1.1 快速對應(yīng)點(diǎn)搜索
3.1.2 應(yīng)用卡爾曼濾波器實現(xiàn)目標(biāo)位置的預(yù)測
3.1.3 波門的設(shè)定
3.2 基于單目視覺技術(shù)的CCD激光經(jīng)緯儀
3.2.1 應(yīng)用背景
3.2.2 CCD激光經(jīng)緯儀結(jié)構(gòu)及艦載雷達(dá)標(biāo)校原理
3.2.3 坐標(biāo)變換與數(shù)學(xué)建模
3.2.4 半自動建模及動態(tài)饋源目標(biāo)實時識別與跟蹤策略
3.2.5 相機(jī)的定標(biāo)
3.3 實驗結(jié)果及結(jié)論
第四章 高速運(yùn)動目標(biāo)的檢測與跟蹤算法
4.1 空間激光通信中的目標(biāo)識別與跟蹤過程
4.1.1 通信準(zhǔn)備階段
4.1.2 目標(biāo)捕獲階段
4.1.3 粗跟蹤階段
4.1.4 精跟蹤階段
4.2 自由空間激光通信系統(tǒng)仿真形式
4.3 提高目標(biāo)跟蹤精度的主要技術(shù)途徑
4.3.1 采用數(shù)字控制系統(tǒng)
4.3.2 采用高精度的振鏡
4.3.3 采用CCD 分技術(shù)
4.3.4 采用現(xiàn)代控制理論和最優(yōu)控制算法
4.3.5 提高APT精跟蹤系統(tǒng)的伺服帶寬
4.4 激光光斑目標(biāo)的快速識別與跟蹤算法
4.4.1 圖像數(shù)據(jù)采集方法
4.4.2 自適應(yīng)探測窗的選取
4.4.3 PID控制過程
4.4.4 激光光斑中心的計算
4.5 目標(biāo)識別與跟蹤過程的仿真
4.5.1 用戶交互模塊
4.5.2 粗伺服單元伺服控制仿真
4.5.3 精伺服單元伺服控制仿真
4.6 本章小結(jié)
第五章 具有復(fù)雜背景的運(yùn)動目標(biāo)檢測算法
5.1 光流場的計算方法
5.1.1 光流場的概念
5.1.2 傳統(tǒng)光流計算方法
5.1.3 光流評估方法比較
5.2 改進(jìn)的光流評估算法
5.3 實驗結(jié)果及結(jié)論
第四章 高速運(yùn)動目標(biāo)的檢測與跟蹤算法
4.1 空間激光通信中的目標(biāo)識別與跟蹤過程
4.1.1 通信準(zhǔn)備階段
4.1.2 目標(biāo)捕獲階段
4.1.3 粗跟蹤階段
4.1.4 精跟蹤階段
4.2 自由空間激光通信系統(tǒng)仿真形式
4.3 提高目標(biāo)跟蹤精度的主要技術(shù)途徑
4.3.1 采用數(shù)字控制系統(tǒng)
4.3.2 采用高精度的振鏡
4.3.3 采用CCD 分技術(shù)
4.3.4 采用現(xiàn)代控制理論和最優(yōu)控制算法
4.3.5 提高APT精跟蹤系統(tǒng)的伺服帶寬
4.4 激光光斑目標(biāo)的快速識別與跟蹤算法
4.4.1 圖像數(shù)據(jù)采集方法
4.4.2 自適應(yīng)探測窗的選取
4.4.3 PID控制過程
4.4.4 激光光斑中心的計算
4.5 目標(biāo)識別與跟蹤過程的仿真
4.5.1 用戶交互模塊
4.5.2 粗伺服單元伺服控制仿真
4.5.3 精伺服單元伺服控制仿真
4.6 本章小結(jié)
第五章 具有復(fù)雜背景的運(yùn)動目標(biāo)檢測算法
5.1 光流場的計算方法
5.1.1 光流場的概念
5.1.2 傳統(tǒng)光流計算方法
5.1.3 光流評估方法比較
5.2 改進(jìn)的光流評估算法
5.2.1 正規(guī)化相關(guān)的特性討論
5.2.2 候補(bǔ)向量的定義及光流算法的計算過程
5.2.3 基于時間復(fù)數(shù)相關(guān)的預(yù)測向量計算法
5.2.4 基于空間復(fù)數(shù)相關(guān)的預(yù)測向量計算法
5.2.5 候補(bǔ)向量的抽取
5.2.6 相關(guān)分布可信度的評價
5.2.7 高精度光流的抽取
5.2.8 本節(jié)小結(jié)
5.3 實驗結(jié)果與討論
5.3.1 噪聲對真值深度分布的影響
5.3.2 全景的信噪比分析
5.3.3 SMCM算法對背景光流場的檢測
5.3.4 TMCM算法對場景變化的檢測
5.3.5 實驗總結(jié)
5.4 改進(jìn)光流場評估算法的應(yīng)用
5.4.1 車輛沖突檢測的技術(shù)背景
5.4.2 車載相機(jī)的運(yùn)動對光流場的影響
5.4.3 運(yùn)動物體的識別
5.5 本章小結(jié)
第六章 互補(bǔ)投票算法實現(xiàn)可信賴運(yùn)動向量估計
6.1 互補(bǔ)投票算法的基本原理
6.2 投票參數(shù)的收斂
6.3 信賴測度的估計方法
6.4 互補(bǔ)投票法的高速化
6.5 高速化后的算法的性能比較
6.6 總結(jié)與討論
結(jié)束語
參考文獻(xiàn)