流形粒子滤波算法及其在视频目标跟踪中的应用

第1章 绪论

1.1 粒子滤波的发展和应用

1.2 视频目标的检测与跟踪

1.2.1 跟踪目标的视觉特征

1.2.2 常用的视频目标检测方法

1.2.3 常用的视频目标跟踪方法

1.2.4 视频目标跟踪的应用

1.3 粒子滤波在视频目标跟踪中的应用

1.3.1 基于粒子滤波的视频目标跟踪研究现状

1.3.2 基于粒子滤波的视觉跟踪的难点

1.4 基于微分流形粒子滤波的视频跟踪研究

1.5 主要的公共视频数据库

1.6 本书的主要工作

第2章 视频目标的检测与特征提取

2.1 引言

2.2 运动目标检测方法

2.2.1 光流计算法

2.2.2 背景消减法

2.2.3 帧间差分法

2.3 运动目标的特征提取

2.3.1 颜色特征提取

2.3.2 纹理特征提取

2.3.3 运动边缘特征提取

第3章 目标的表观模型

3.1 模板

3.2 活动轮廓模型

3.3 直方图

3.3.1 直方图密度估计

3.3.2 空间直方图

3.3.3 加权颜色直方图

3.4 核密度估计

3.5 混合高斯模型

3.5.1 混合高斯模型的数学描述

3.5.2 背景模型的更新

第4章 基于粒子滤波算法的视频目标跟踪

4.1 贝叶斯估计理论

4.1.1 动态系统的状态模型

4.1.2 贝叶斯定理

4.1.3 贝叶斯滤波

4.1.4 蒙特卡罗方法

4.1.5 序贯重要性采样

4.1.6 重采样技术

4.2 粒子滤波算法

4.2.1 标准粒子滤波算法

4.2.2 标准粒子滤波的缺点

4.2.3 各种改进的粒子滤波算法

4.3 基于粒子滤波的视频目标跟踪方法

4.3.1 概率跟踪方法的数学描述

4.3.2 粒子滤波视频跟踪的状态模型

4.3.3 粒子滤波视频跟踪的观测模型

4.3.4 粒子滤波跟踪实验结果与分析

第5章 基于Mean Shift的粒子滤波跟踪

5.1 Mean Shift概述

5.2 Mean Shift基本理论及其扩展形式

5.2.1 Mean Shift向量

5.2.2 扩展Mean Shift

5.2.3 概率密度梯度

5.3 基本Mean Shift算法

5.4 Mean Shift在目标跟踪中的应用

5.4.1 目标描述和匹配准则

5.4.2 Mean Shift跟踪

5.4.3 跟踪算法流程

5.5 嵌入Mean Shift算法的粒子滤波视频目标跟踪

5.5.1 系统动态模型的设计

5.5.2 系统观测模型的设计

5.5.3 目标定位

5.5.4 Mean Shift粒子聚类

5.6 实验及分析

第6章 基于自适应流形粒子滤波算法的红外小目标跟踪

6.1 红外小目标检测和跟踪方法概述

6.1.1 红外小目标跟踪技术

6.1.2 红外小目标检测技术

6.2 复杂背景下红外小目标图像的预处理算法

6.2.1 红外图像的组成

6.2.2 频域高通滤波法

6.2.3 低通滤波器

6.2.4 中值滤波

6.2.5 基于数学形态学滤波的红外图像预处理

6.2.6 红外图像预处理仿真实验

6.3 基于自适应粒子滤波算法的红外小目标跟踪

6.3.1 基于粒子滤波算法的红外目标跟踪步骤

6.3.2 基于自适应粒子滤波算法的红外小目标跟踪

6.4 基于自适应流形粒子滤波的制导红外小目标跟踪方法

6.4.1 流形基础知识

6.4.2 基于自适应流形粒子滤波的红外小目标跟踪方法

第7章 基于流形聚类粒子滤波算法的视频目标跟踪

7.1 聚类算法

7.1.1 聚类的定义

7.1.2 聚类算法的分类

7.2 最大模糊熵高斯聚类粒子滤波算法（iMC-PF）

7.2.1 最大模糊熵高斯聚类

7.2.2 最大模糊熵高斯聚类粒子滤波算法步骤

7.3 粒子稀疏化聚类

7.3.1 粒子稀疏化聚合重采样

7.3.2 粒子交叉聚合

7.4 双重采样自适应粒子滤波算法（DR-PF）

7.4.1 基于观测新息的重采样分布方案

7.4.2 双重采样自适应粒子滤波算法步骤

7.5 仿真实验及分析

7.5.1 DR／GPS组合系统模型

7.5.2 仿真实验及结果分析

7.6 流形学习聚类粒子滤波算法

7.6.1 流形学习

7.6.2 拉普拉斯特征映射

7.6.3 局部线性嵌入算法

7.6.4 增量式LLE聚类粒子滤波（ILLE-DR-PF）算法

7.6.5 仿真实验及分析

7.7 流形聚类粒子滤波算法

7.7.1 流形聚类

7.7.2 流形聚类方法

7.7.3 几何能量聚类

7.7.4 Grassmann流形粒子滤波

7.7.5 基于几何能量的流形聚类粒子滤波

7.7.6 仿真实验及分析

第8章 基于李群粒子滤波算法的视频目标跟踪

8.1 流形

8.1.1 流形的定义

8.1.2 流形的距离

8.2 李群流形理论基础

8.2.1 李群和李代数

8.2.2 李群指数映射

8.2.3 李群几何优化

8.3 李群结构的矩阵协方差描述

8.3.1 目标图像多特征提取

8.3.2 协方差的相似度匹配

8.4 李群流形上的粒子滤波算法

8.4.1 将射影变换表示为李群

8.4.2 李群状态模型

8.4.3 李群观测模型

8.5 李群粒子滤波算法流程

8.6 实验结果与分析

第9章 基于李群最优重要性函数粒子滤波算法的视频目标跟踪

9.1 最优重要性密度函数

9.2 基于流形建议分布的粒子滤波器

9.2.1 基于Stiefel流形的粒子滤波器

9.2.2 基于黎曼流形的粒子滤波

9.3 黎曼均值

9.3.1 基于黎曼度量的正定对称阵

9.3.2 改进李群结构的黎曼流形

9.4 李群正态分布

9.4.1 李群上的不变度量和测地线

9.4.2 李群协方差矩阵算法

9.4.3 基于李群指数映射的正态分布

9.5 基于李群正态分布的粒子滤波算法

9.6 实验结果与分析

参考文献

《流形粒子滤波算法及其在视频目标跟踪中的应用》研究流形上的粒子滤波算法，将粒子滤波视频跟踪系统的状态模型建立在流形上，在低维流形上实现状态采样，充分利用了状态空间的内蕴几何特性，为解决粒子退化问题，提高跟踪算法的效率、实时性和鲁棒性提供一种新的思路。探讨了基于自适应黎曼流形粒子滤波算法的红外小目标跟踪方法，在黎曼流形上进行在线学习和更新目标外形，采用加权欧几里得黎曼平均值估计表面协方差矩阵；研究了一种基于几何能量的流形聚类粒子滤波算法，利用流形上数据空间位置信息的几何曲率来表示几何能量，通过最小化能量得到流形的边界点，从而得到划分聚类的目的；采用射影变换表示目标图像区域的几何形变，将视频跟踪系统的状态模型建立在低维流形（李群）上，沿流形测地线进行状态采样，应用流形上的最优化算法在流形上计算样本内蕴均值，实现状态估计；构建了基于李群指数映射的李群正态分布，并将李群正态分布表示为最优重要性函数进行粒子采样。
　　《流形粒子滤波算法及其在视频目标跟踪中的应用》可供高等院校电子信息、自动化、计算机应用、应用数学等有关专业的高年级本科生和研究生，以及从事控制科学与工程、信号与信息处理领域的工程技术人员和研究人员参考阅读。