| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.2.1 国内外目标跟踪研究现状 | 第13-14页 |
| 1.2.2 MeanShift目标跟踪算法研究现状 | 第14-15页 |
| 1.3 目标跟踪面临的挑战与难点 | 第15-17页 |
| 1.4 论文的主要工作与安排 | 第17-19页 |
| 1.4.1 论文的主要工作 | 第17-18页 |
| 1.4.2 论文的结构安排 | 第18-19页 |
| 第2章 视频目标跟踪方法理论 | 第19-24页 |
| 2.1 引言 | 第19页 |
| 2.2 视频目标跟踪原理 | 第19-20页 |
| 2.3 视频目标跟踪方法分类 | 第20-22页 |
| 2.3.1 基于特征的目标跟踪 | 第20-21页 |
| 2.3.2 基于区域的目标跟踪 | 第21页 |
| 2.3.3 基于运动检测的目标跟踪 | 第21-22页 |
| 2.3.4 基于深度学习的目标跟踪 | 第22页 |
| 2.4 视频目标跟踪中的常用算法 | 第22-23页 |
| 2.4.1 粒子滤波目标跟踪 | 第22页 |
| 2.4.2 稀疏表示目标跟踪 | 第22-23页 |
| 2.4.3 Camshift目标跟踪 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 MeanShift算法相关理论 | 第24-34页 |
| 3.1 引言 | 第24页 |
| 3.2 概率密度估计理论 | 第24-26页 |
| 3.2.1 参数密度估计 | 第24-25页 |
| 3.2.2 无参密度估计 | 第25-26页 |
| 3.3 MeanShift算法基本理论 | 第26-31页 |
| 3.3.1 MeanShift向量的基本形式 | 第27-28页 |
| 3.3.2 MeanShift向量的扩展形式 | 第28-31页 |
| 3.4 MeanShift算法在目标跟踪中的应用 | 第31-33页 |
| 3.4.1 目标模型构建 | 第31页 |
| 3.4.2 候选目标模型的构建 | 第31-32页 |
| 3.4.3 目标相似性度量 | 第32页 |
| 3.4.4 目标的定位 | 第32-33页 |
| 3.4.5 算法流程 | 第33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 改进的MeanShift目标跟踪算法 | 第34-57页 |
| 4.1 引言 | 第34-35页 |
| 4.2 传统算法亟待解决的问题 | 第35-36页 |
| 4.3 目标特征提取与模型构建 | 第36-40页 |
| 4.3.1 颜色特征 | 第36-37页 |
| 4.3.2 SURF特征点 | 第37-40页 |
| 4.3.3 基于尺度与方向参数的模型构建 | 第40页 |
| 4.4 改进的MeanShift目标跟踪算法描述 | 第40-47页 |
| 4.4.1 尺度方向参数自适应调整 | 第40-42页 |
| 4.4.2 相似性融合与干扰识别 | 第42-44页 |
| 4.4.3 提出的目标位置预测方法 | 第44-46页 |
| 4.4.4 改进算法的基本流程 | 第46-47页 |
| 4.5 仿真实现结果与分析 | 第47-56页 |
| 4.5.1 实验环境与参数设置 | 第47页 |
| 4.5.2 实验结果分析与比较 | 第47-56页 |
| 4.6 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64页 |