复杂环境下的鲁棒目标检测与跟踪

第一章 绪论

1.1 选题背景及研究意义

1.2 研究现状

1.2.1 弱小目标检测方法研究现状

1.2.2 有纹理目标跟踪方法研究现状

1.3 研究难点

1.4 研究成果及创新点

1.5 本书结构安排

第二章 图像预处理及时空域的弱小目标检测

2.1 引言

2.2 小波域帧转移型CCD传感器Smear效应消除方法

2.2.1 帧转移Smear效应分析

2.2.2 小波变换及Haar小波

2.2.3 Smear效应消除算法

2.2.4 实验及结果分析

2.3 基于迭代最优化距离分类与轨迹关联的弱小目标检测方法

2.3.1 空间光学图像模型

2.3.2 单帧图像分割

2.3.3 星点连通区及特征提取

2.3.4 基于迭代最优化距离分类的候选目标检测

2.3.5 轨迹关联及虚假目标去除

2.3.6 实验及结果分析

2.4 小结

第三章 基于变换域的弱小目标检测

3.1 引言

3.2 基于2D-1D各向同性非抽取小波变换的弱小目标检测

3.2.1 正交小波变换与非抽取小波变换

3.2.2 基于2D-1DIUWT检测弱小目标

3.2.3 实验及结果分析

3.3 基于压缩感知的空间弱小目标检测

3.3.1 压缩感知与空间图像

3.3.2 前景的稀疏测量

3.3.3 目标检测算法

3.3.4 重建与精确定位

3.3.5 实验及结果分析

3.4 小结

第四章 基于加权在线结构化学习的目标跟踪

4.1 引言

4.2 具有结构化输出的基于检测的目标跟踪

4.2.1 结构化最大间隔学习

4.2.2 LaRank算法训练结构化SVM

4.2.3 基于结构化输出的目标跟踪

4.3 加权在线学习

4.3.1 WOL问题

4.3.2 单例加权算法

4.3.3 小型批量加权桥接算法

4.3.4 加权蓄水池采样算法

4.3.5 实验及结果分析

4.4 基于加权结构化在线学习的多目标跟踪

4.4.1 结构化多目标跟踪框架

4.4.2 在线优化结构化多目标分类器

4.4.3 贪心推理

4.4.4 加权的目标跟踪

4.4.5 实验及结果分析

4.5 小结

第五章 基于部件及隐结构化在线学习的目标跟踪

5.1 引言

5.2 判决式学习部件模型

5.2.1 部件模型

5.2.2 包含隐变量的结构化学习

5.3 基于未知部件的鲁棒目标跟踪

5.3.1 目标表示建模

5.3.2 隐变量Pegasos在线学习

5.3.3 两阶段优化

5.3.4 目标跟踪算法

5.4 实验及结果分析

5.4.1 实验设置

5.4.2 两种学习模型结果对比

5.4.3 有无部件的跟踪结果对比

5.4.4 不同初始化方法结果对比

5.4.5 与其他跟踪算法结果对比

5.5 小结

第六章 总结与展望

6.1 本书工作总结

6.2 研究展望

参考文献

《复杂环境下的鲁棒目标检测与跟踪 》系统介绍了目前广泛采用的一些目标检测与跟踪方 法，对各类弱小目标、有纹理目标的有效检测与跟踪 方法的基本思想、动机和改进进行了比较全面的总结 。本书内容包括基于小波变换的帧转移型CCD传感器 Smear效应消除方法