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EVD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