朱志宇編著的《流形粒子濾波算法及其在視頻目 標跟蹤中的應用》研究流形上的粒子濾波算法，將粒 子濾波視頻跟蹤系統(tǒng)的狀態(tài)模型建立在流形上，在低 維流形上實現狀態(tài)采樣，充分利用了狀態(tài)空間的內蘊 幾何特性，為解決粒子退化問題，提高跟蹤算法的效 率、實時性和魯棒性提供一種新的思路。探討了基于 自適應黎曼流形粒子濾波算法的紅外小目標跟蹤方法 ，在黎曼流形上進行在線學習和更新目標外形，采用 加權歐幾里得黎曼平均值估計表面協(xié)方差矩陣；研究 了一種基于幾何能量的流形聚類粒子濾波算法，利用 流形上數據空間位置信息的幾何曲率來表示幾何能量 ，通過最小化能量得到流形的邊界點，從而得到劃分 聚類的目的；采用射影變換表示目標圖像區(qū)域的幾何 形變，將視頻跟蹤系統(tǒng)的狀態(tài)模型建立在低維流形( 李群)上，沿流形測地線進行狀態(tài)采樣，應用流形上 的最優(yōu)化算法在流形上計算樣本內蘊均值，實現狀態(tài) 估計；構建了基于李群指數映射的李群正態(tài)分布，并 將李群正態(tài)分布表示為最優(yōu)重要性函數進行粒子采樣 。
本書可供高等院校電子信息、自動化、計算機應 用、應用數學等有關專業(yè)的高年級本科生和研究生， 以及從事控制科學與工程、信號與信息處理領域的工 程技術人員和研究人員參考閱讀。
第1章 緒論
1.1 粒子濾波的發(fā)展和應用
1.2 視頻目標的檢測與跟蹤
1.2.1 跟蹤目標的視覺特征
1.2.2 常用的視頻目標檢測方法
1.2.3 常用的視頻目標跟蹤方法
1.2.4 視頻目標跟蹤的應用
1.3 粒子濾波在視頻目標跟蹤中的應用
1.3.1 基于粒子濾波的視頻目標跟蹤研究現狀
1.3.2 基于粒子濾波的視覺跟蹤的難點
1.4 基于微分流形粒子濾波的視頻跟蹤研究
1.5 主要的公共視頻數據庫
1.6 本書的主要工作
第2章 視頻目標的檢測與特征提取
2.1 引言
2.2 運動目標檢測方法
2.2.1 光流計算法
2.2.2 背景消減法
2.2.3 幀間差分法
2.3 運動目標的特征提取
2.3.1 顏色特征提取
2.3.2 紋理特征提取
2.3.3 運動邊緣特征提取
第3章 目標的表觀模型
3.1 模板
3.2 活動輪廓模型
3.3 直方圖
3.3.1 直方圖密度估計
3.3.2 空間直方圖
3.3.3 加權顏色直方圖
3.4 核密度估計
3.5 混合高斯模型
3.5.1 混合高斯模型的數學描述
3.5.2 背景模型的更新
第4章 基于粒子濾波算法的視頻目標跟蹤
4.1 貝葉斯估計理論
4.1.1 動態(tài)系統(tǒng)的狀態(tài)模型
4.1.2 貝葉斯定理
4.1.3 貝葉斯濾波
4.1.4 蒙特卡羅方法
4.1.5 序貫重要性采樣
4.1.6 重采樣技術
4.2 粒子濾波算法
4.2.1 標準粒子濾波算法
4.2.2 標準粒子濾波的缺點
4.2.3 各種改進的粒子濾波算法
4.3 基于粒子濾波的視頻目標跟蹤方法
4.3.1 概率跟蹤方法的數學描述
4.3.2 粒子濾波視頻跟蹤的狀態(tài)模型
4.3.3 粒子濾波視頻跟蹤的觀測模型
4.3.4 粒子濾波跟蹤實驗結果與分析
第5章 基于Mean Shift的粒子濾波跟蹤
5.1 Mean Shift概述
5.2 Mean Shift基本理論及其擴展形式
5.2.1 Mean Shift向量
5.2.2 擴展Mean Shift
5.2.3 概率密度梯度
5.3 基本Mean Shift算法
5.4 Mean Shift在目標跟蹤中的應用
5.4.1 目標描述和匹配準則
5.4.2 Mean Shift跟蹤
5.4.3 跟蹤算法流程
5.5 嵌入Mean Shift算法的粒子濾波視頻目標跟蹤
5.5.1 系統(tǒng)動態(tài)模型的設計
5.5.2 系統(tǒng)觀測模型的設計
5.5.3 目標定位
5.5.4 Mean Shift粒子聚類
5.6 實驗及分析
第6章 基于自適應流形粒子濾波算法的紅外小目標跟蹤
6.1 紅外小目標檢測和跟蹤方法概述
6.1.1 紅外小目標跟蹤技術
6.1.2 紅外小目標檢測技術
6.2 復雜背景下紅外小目標圖像的預處理算法
6.2.1 紅外圖像的組成
6.2.2 頻域高通濾波法
6.2.3 低通濾波器
6.2.4 中值濾波
6.2.5 基于數學形態(tài)學濾波的紅外圖像預處理
6.2.6 紅外圖像預處理仿真實驗
6.3 基于自適應粒子濾波算法的紅外小目標跟蹤
6.3.1 基于粒子濾波算法的紅外目標跟蹤步驟
6.3.2 基于自適應粒子濾波算法的紅外小目標跟蹤
6.4 基于自適應流形粒子濾波的制導紅外小目標跟蹤方法
6.4.1 流形基礎知識
6.4.2 基于自適應流形粒子濾波的紅外小目標跟蹤方法
第7章 基于流形聚類粒子濾波算法的視頻目標跟蹤
7.1 聚類算法
7.1.1 聚類的定義
7.1.2 聚類算法的分類
7.2 最大模糊熵高斯聚類粒子濾波算法(iMC-PF)
7.2.1 最大模糊熵高斯聚類
7.2.2 最大模糊熵高斯聚類粒子濾波算法步驟
7.3 粒子稀疏化聚類
7.3.1 粒子稀疏化聚合重采樣
7.3.2 粒子交叉聚合
7.4 雙重采樣自適應粒子濾波算法(DR-PF)
7.4.1 基于觀測新息的重采樣分布方案
7.4.2 雙重采樣自適應粒子濾波算法步驟
7.5 仿真實驗及分析
7.5.1 DR／GPS組合系統(tǒng)模型
7.5.2 仿真實驗及結果分析
7.6 流形學習聚類粒子濾波算法
7.6.1 流形學習
7.6.2 拉普拉斯特征映射
7.6.3 局部線性嵌入算法
7.6.4 增量式LLE聚類粒子濾波(ILLE-DR-PF)算法
7.6.5 仿真實驗及分析
7.7 流形聚類粒子濾波算法
7.7.1 流形聚類
7.7.2 流形聚類方法
7.7.3 幾何能量聚類
7.7.4 Grassmann流形粒子濾波
7.7.5 基于幾何能量的流形聚類粒子濾波
7.7.6 仿真實驗及分析
第8章 基于李群粒子濾波算法的視頻目標跟蹤
8.1 流形
8.1.1 流形的定義
8.1.2 流形的距離
8.2 李群流形理論基礎
8.2.1 李群和李代數
8.2.2 李群指數映射
8.2.3 李群幾何優(yōu)化
8.3 李群結構的矩陣協(xié)方差描述
8.3.1 目標圖像多特征提取
8.3.2 協(xié)方差的相似度匹配
8.4 李群流形上的粒子濾波算法
8.4.1 將射影變換表示為李群
8.4.2 李群狀態(tài)模型
8.4.3 李群觀測模型
8.5 李群粒子濾波算法流程
8.6 實驗結果與分析
第9章 基于李群最優(yōu)重要性函數粒子濾波算法的視頻目標跟蹤
9.1 最優(yōu)重要性密度函數
9.2 基于流形建議分布的粒子濾波器
9.2.1 基于Stiefel流形的粒子濾波器
9.2.2 基于黎曼流形的粒子濾波
9.3 黎曼均值
9.3.1 基于黎曼度量的正定對稱陣
9.3.2 改進李群結構的黎曼流形
9.4 李群正態(tài)分布
9.4.1 李群上的不變度量和測地線
9.4.2 李群協(xié)方差矩陣算法
9.4.3 基于李群指數映射的正態(tài)分布
9.5 基于李群正態(tài)分布的粒子濾波算法
9.6 實驗結果與分析
參考文獻
書單推薦
