城市复杂交通场景下的运动车辆跟踪技术研究

　　采用计算机视觉技术对城市交通中的车辆进行检测与跟踪是当前计算机视觉与模式识别领域研究的热点问题，应用机器学习算法解决相应难点问题已经成为近年来常见的研究手段。从视频序列图像巾检测和识别出运动车辆属性的前提就是稳健并地跟踪预定目标。《城市复杂交通场景下的运动车辆跟踪技术研究》结合作者近几年的相关研究成果，全面系统地介绍了运动车辆的检测与跟踪的技术概况、主要原理、经典方法和相关研究的新成果。《城市复杂交通场景下的运动车辆跟踪技术研究》内容新颖，联系智慧城市建设与智能交通检测等问题，可以作为高等院校及科研院所计算机视觉、模式识别与机器学习等领域高年级本科生、研究生的教学和参考用书，也可以供相关领域科研与工程技术人员作为参考书使用。

暂缺《城市复杂交通场景下的运动车辆跟踪技术研究》作者简介

1 绪论
1．1 车辆跟踪的研究背景
1．2 国内外研究现状及其应用
1．3 涉及的主要研究内容、面临的难点与解决方法
1．4 已有技术手段及其弱点
1．5 研究所采用的技术方案与路线
1．6 标准测试视频集及相关国内外主流杂志、会议
1．7 本书的结构安排
2 视觉目标车辆跟踪中粒子滤波算法的改进
2．1 粒子滤波简介
2．2 视觉目标跟踪中的粒子滤波理论分析
2．3 引入前帧加权采样的粒子滤波目标跟踪
2．4 引入残差信息的分层重采样
2．4．1 目前几种典型的重采样策略
2．4．2 引入残差信息的分层重采样算法步骤
2．4．3 引入残差信息的分层重采样的仿真研究
2．4．4 本章改进的重采样在运动车辆跟踪中的实际测试
2．5 视觉车辆跟踪中的特征选择与分析
2．5．1 本章所用纹理特征
2．5．2 车辆跟踪算法流程、试验结果与分析
3 子空间学习框架下的实时车辆图像跟踪
3．1 基于图像的子空间学习在车辆跟踪中的研究背景
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 基于自相关矩阵更新与EVI）分解的IPCA
3．3 基于自相关矩阵的IPCA算法的执行
3．4 子空间更新方法的算法复杂度对比
3．5 自相关矩阵IPCA视觉跟踪的总体流程
3．5．1 本章跟踪涉及的相关参数与解释
3．5．2 本章目标车辆跟踪方法的总体执行流程
3．6 车辆跟踪的实验结果与对比分析
4 基于李群理论与特征子空间基的车辆跟踪
4．1 引言
4．2 群空间在视觉跟踪算法中的引入
4．3 基于仿射群组几何属性的视觉目标跟踪
4．3．1 李群与李代数
4．3．2 基于仿射群组的目标状态方程及其描述
4．3．3 融入测量向量后的粒子权值的更新与计算
4．3．4 增量PCA算法及目标图像特征子空间向量基
4．4 本章视觉目标跟踪算法的总体框架
4．5 基于标准数据源的试验与分析
5 基于在线学习理论的车辆识别与跟踪
5．1 车辆在线识别跟踪难点及研究背景
5．2 基于运动模板检测的online boosting算法
5．2．1 MT online boosting算法的构成与执行流程
5．2．2 MT online boosting算法中识别特征的选择
5．2．3 在线学习样本的检测定位及弱分类器的更新
5．2．4 参数设置及试验结果
6 B对偶空间几何中基于消隐点的摄像机标定与测距
6．1 目前常见的摄像机标定方法与视觉测距
6．2 B对偶空间几何中摄像机内参数初值的计算方法
6．2．1 B对偶空间几何的相关属性
6．2．2 B对偶空间下基于消隐点的内参数计算方法
6．3 本章摄像机标定的流程与相关参数
6．4 试验结果与对比分析
6．5 基于视觉方法的前车车距计算
参考文献