新書推薦：
《
自由，不是放纵
》
售價：HK$
56.4
《
甲骨文丛书·消逝的光明：欧洲国际史，1919—1933年（套装全2册）
》
售價：HK$
277.8
《
剑桥日本戏剧史（剑桥世界戏剧史译丛）
》
售價：HK$
207.0
《
中国高等艺术院校精品教材大系：材料的时尚表达??服装创意设计
》
售價：HK$
78.2
《
美丽与哀愁：第一次世界大战个人史
》
售價：HK$
147.2
《
国家豁免法的域外借鉴与实践建议
》
售價：HK$
188.2
《
大单元教学设计20讲
》
售價：HK$
78.2
《
儿童自我关怀练习册：做自己最好的朋友
》
售價：HK$
71.3
|
| 內容簡介： |
本书是目标跟踪领域的学术专著，介绍了目标跟踪的定义、研究背景、研究现状、理论基础、算法描述，同时给出了算法的仿真实验结果，反映了作者近年来在这一领域的主要研究成果。其主要内容包括: 绪论、基于?0正则化增量正交映射非负矩阵分解的目标跟踪算法、基于核协同表示的快速目标跟踪算法、基于概率协作表示的目标跟踪算法、基于半自动权值卷积神经网络的目标跟踪算法、一种具有重检测机制的互补学习目标跟踪算法和基于?0范数和小软阈值均方的目标跟踪算法。
本书适合高等院校信息相关专业高年级本科生、研究生和教师阅读，也可作为科研院所及从事安防、视频监控行业的工程技术人员的参考书。
|
| 目錄：
|
第1章 绪 论 1
1.1 目标跟踪的应用 1
1.2 目标跟踪框架及面临的挑战 4
1.2.1 目标跟踪的基本框架 4
1.2.2 目标跟踪面临的挑战 5
1.3 目标跟踪的分类 6
1.3.1 相关滤波目标跟踪算法 6
1.3.2 非相关滤波目标跟踪算法 12
参考文献 16
第2章 基于?0 正则化增量正交映射非负矩阵分解的目标跟踪算法 18
2.1 概 述 18
2.2 增量正交映射非负矩阵分解 19
2.3 ?0 正则化增量正交映射非负矩阵分解的目标表示 20
2.3.1 ?1正则化的目标表示 20
2.3.2 ?0正则化的目标表示 20
2.3.3 ?0正则化的数值解法 20
2.4 ?0正则化增量正交映射非负矩阵分解的目标跟踪算法 21
2.4.1 运动模型 22
2.4.2 观测模型 22
2.4.3 粒子筛选 22
2.5 实验分析 23
2.5.1 定性分析 23
2.5.2 定量分析 26
2.5.3 机务外场单目标视频跟踪 31
2.6 小 结 33
参考文献 33
第3章 基于核协同表示的快速目标跟踪算法 35
3.1 概 述 35
3.2 相关工作 35
3.3 基于核协同表示的跟踪算法 36
3.3.1 核协同表示 36
3.3.2 基于核协同表示的目标跟踪算法 37
3.3.3 运动模型 37
3.3.4 观测模型 38
3.3.5 样本更新 38
3.4 实验分析 38
3.4.1 定性分析 39
3.4.2 定量分析 43
3.4.3 时间复杂度对比 48
3.4.4 机务外场单目标视频跟踪 49
3.5 小 结 50
参考文献 51
第4章 基于概率协作表示的目标跟踪算法 52
4.1 概 述 52
4.2 相关工作 52
4.2.1 基于稀疏表示?1正则化的目标跟踪算法 52
4.2.2 基于?2正则化的目标跟踪算法 53
4.3 概率协作表示 54
4.3.1 概率协作表示?2正则小均方机理 54
4.3.2 基于概率协作表示的目标跟踪 56
4.4 跟踪框架 57
4.4.1 动态模型 58
4.4.2 观测模型及更新机制 59
4.5 实验分析 59
4.5.1 定性分析 60
4.5.2 定量分析 64
4.5.3 基于不同数量候选样本的跟踪结果对比 71
4.5.4 基于不同PCA基向量的跟踪结果对比 72
4.5.5 参数ρ对跟踪结果的影响 73
4.5.6 机务外场单目标视频跟踪 73
4.6 小 结 75
参考文献 75
第5章 基于半自动权值卷积神经网络的目标跟踪算法 77
5.1 概 述 77
5.2 SACF跟踪方法 78
5.2.1 分层卷积特征 78
5.2.2 基于固定权值卷积神经网络跟踪算法 78
5.2.3 基于半自动权值卷积神经网络跟踪算法 80
5.2.4 模型更新机制 81
5.2.5 尺度估计机制 81
5.2.6 在线检测机制 82
5.3 仿真实验 82
5.3.1 OTB—2013数据库 82
5.3.2 OTB—2015数据库 85
5.3.3 DTB数据库 88
5.3.4 TemplateColor数据库 90
5.3.5 VOT—2016数据库 92
5.3.6 机务外场单目标视频跟踪 93
5.4 小 结 95
参考文献 95
第6章 一种具有重检测机制的互补学习目标跟踪算法 99
6.1 概 述 99
6.2 基于相关滤波框架的目标跟踪算法 99
6.3 重检测机制的目标跟踪算法 100
6.3 重检测机制的目标跟踪算法 100
6.3.1 自适应余弦窗 101
6.3.2 跟踪结果可靠性检测 103
6.3.3 重检测机制 104
6.3.4 自适应模型更新 105
6.3.5 尺度估计机制 105
6.4 实验与讨论 106
6.4.1 在OTB—2013数据库中进行仿真分析 106
6.4.2 在OTB—2015数据库中进行仿真分析 107
6.4.3 在TemplateColor数据库中进行仿真分析 111
6.4.4 在UAV123@10fps数据库中进行仿真分析 114
6.4.5 在VOT—2015数据库中进行仿真分析 116
6.4.6 跟踪速度对比 117
6.4.7 机务外场单目标视频跟踪 118
6.4.8 验证实验 119
6.5 小 结 124
参考文献 124
第7章 基于?1范数和小软阈值均方的目标跟踪算法 127
7.1 概 述 127
7.2 ?1算法 128
7.3 基于?1 正则化和小软阈值的目标跟踪算法 128
7.3.1 基于?1正则化和PCA 基向量矩阵的目标表示模型 128
7.3.2 基于?1 正则化和小软阈值的目标跟踪框架 129
7.4 实验结果 131
7.4.1 定性对比 131
7.4.2 定量对比 134
7.5 小 结 140
参考文献 140
第8章 总结与展望 143
8.1 总 结 143
8.2 展 望 146
缩略词 148
|
| 內容試閱：
|
近年来，随着“智慧城市”“智慧社区”等概念的提出，作为重要技术支撑的视觉目标跟踪技术得到了国内外学者的广泛关注。视觉目标跟踪通过对视频中任意目标进行持续、准确的定位，提供目标物体的位置、尺度、形状等信息，为后续对高级任务的理解和分析提供技术支持。尽管视觉目标跟踪技术在过去几十年得到了快速发展，但是由于视频中存在一些干扰因素，使得在复杂场景下实现鲁棒、快速的目标跟踪仍然是一项充满挑战的任务。本书对复杂场景下单目标视觉跟踪进行了深入研究。
本书的主要内容包括:
第1章绪论，主要介绍目标跟踪的应用、框架和分类。
第2章主要研究基于?0 正则化增量正交映射非负矩阵分解的目标跟踪算法。在粒子滤波框架下，采用增量正交映射非负矩阵分解算法在线获得跟踪目标基于部分的表示以构建模板矩阵，然后将每帧中的候选样本建立基于模板矩阵的线性表示，对表示系数进行?0 正则化约束，并提出快速数值解法，同时对琐碎模板对应的表示系数进行?1 范数约束，并引入粒子筛选机制，降低算法的复杂度，加快跟踪速度。
第3章主要研究基于核协同表示的快速目标跟踪算法。受核协同表示在人脸识别和高光谱图像分类领域成功应用的启发，在粒子滤波的框架下，在字典矩阵中引入方块矩阵建模跟踪过程中可能出现的遮挡，然后将字典矩阵和候选样本分别映射到高维空间，建立候选样本和字典矩阵在高维空间的线性表示目标跟踪模型，同时采用?2正则化减弱传统方法对系数稀疏性的要求，有效地降低关键步骤的计算复杂度。
第4章主要研究基于概率协作表示的目标跟踪算法。为了降低传统的基于稀疏表示算法的复杂度，本算法利用主成分分析向量和方块模板组成的字典矩阵对跟踪目标的外观进行建模，同时采用?2范数降低对系数稀疏性的要求;然后从概率协作表示的角度出发，对基于?2范数跟踪算法的内在机制进行了公式推导，并给出快速求解表示系数的方法。
第5章主要研究基于半自动权值卷积神经网络的目标跟踪算法。本算法利用VGGNet模型提取跟踪目标的不同层特征，并分别将不同层特征输入到相关滤波目标跟踪框架下计算响应图，采用结合不同响应图和熵函数方法对不同层的响应进行评估，给具有较低损失值的层赋予较大的权值，给具有较高损失值的层赋予较小的权值，然后将具有不同权值的响应图进行求和来确定跟踪目标的位置。同时，引入随机蕨分类器和尺度估计机制，以便从跟踪失败中恢复跟踪目标以及有效估计跟踪目标的尺度变化。
第6章主要研究一种具有重检测机制的互补学习目标跟踪算法。为了缓解边界效应的影响，提出一种由传统固定余弦窗和自适应似然图组成的自适应余弦窗，来评价像素属于目标区域和背景区域的可能性。当自适应余弦窗作用在一个新图像块时，能够加强目标区域的像素，减弱背景区域的像素，扩大搜索区域，从而缓解边界效应的影响。同时，引入基于Hog特征的旁瓣比(PSR)和颜色概率分布对比图进行跟踪可靠性评价，PSR和颜色概率分布对比图可以对每帧图像进行有效的计算，并且当跟踪结果被认定为不可靠时，引入基于孪生网络的跟踪模块作为本算法的重检测模块，对视频目标进行重检测，提高算法的鲁棒性;后，引入一种目标金字塔来估计跟踪过程目标的尺度变化，从而提升本跟踪算法的可靠性。
第7章提出了一个基于?1 范数和小软阈值的目标跟踪算法。首先，采用PCA空间对跟踪目标进行建模，同时对对应的系数进行稀疏约束，即?1 范数;然后，对噪声项进行显性处理，并采用小软阈值算法进行求解，同时在观测模型的更新过程中，考虑跟踪目标的遮挡因素，即噪声项的取值;后，将所提算法运用到贝叶斯框架下进行目标跟踪。实验结果表明，本章所提算法能够解决跟踪视频中存在的遮挡、尺度变化、角度变化、运动模糊等问题，实现鲁棒的目标跟踪。
第8章对本书所介绍的目标跟踪算法进行了总结，并提出了下一步的研究重点和方向。
本书的研究工作得到了山东省自然科学基金面上项目(ZR2020MF142)、滨州学院博士启动基金项目(2021Y04)、滨州学院科研重大项目(2019ZD03)的资助。没有这些资助，本书的研究工作就不可能完成。在本书出版之际，作者向支持机构致以诚挚的谢意。
由于作者水平有限，书中不足之处在所难免，希望读者批评指正。
作 者
2021年9月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
