| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 本文贡献 | 第11-12页 |
| 1.4 本文的主要内容及章节安排 | 第12-13页 |
| 2 基于低秩性的子空间学习方法 | 第13-19页 |
| 2.1 基于低秩性的RPCA(Robust PCA) | 第13-16页 |
| 2.1.1 主成分分析(PCA) | 第13-15页 |
| 2.1.2 Robust PCA | 第15-16页 |
| 2.1.3 PCP模型的求解算法 | 第16页 |
| 2.2 LRR(Low-Rank Representation) | 第16-19页 |
| 2.2.1 低秩表示 | 第16-17页 |
| 2.2.2 基本模型的解 | 第17页 |
| 2.2.3 鲁棒的LRR模型 | 第17-18页 |
| 2.2.4 LRR模型的应用与扩展 | 第18-19页 |
| 3 基于子空间的视频跟踪算法 | 第19-27页 |
| 3.1 视频跟踪算法的粒子滤波框架 | 第19-21页 |
| 3.1.1 状态变换模型 | 第20页 |
| 3.1.2 观测模型 | 第20-21页 |
| 3.2 基于增量式PCA的视频跟踪算法 | 第21-23页 |
| 3.2.1 用于视频跟踪的增量PCA | 第21-23页 |
| 3.2.2 增量PCA跟踪算法流程 | 第23页 |
| 3.3 基于稀疏子空间表示的视频跟踪算法 | 第23-27页 |
| 3.3.1 跟踪目标的稀疏表示 | 第23-25页 |
| 3.3.2 通过L1最小化实现稀疏性 | 第25-27页 |
| 4 基于增量式低秩特征学习的视频跟踪算法 | 第27-39页 |
| 4.1 引言 | 第27页 |
| 4.2 在线低秩特征学习(LRF) | 第27-30页 |
| 4.3 基于LRF的鲁棒视频跟踪算法 | 第30-32页 |
| 4.4 实验结果 | 第32-39页 |
| 4.4.1 定性评价 | 第33-37页 |
| 4.4.2 定量评价 | 第37-39页 |
| 5 基于增量式隐藏子空间投影学习的视频跟踪算法 | 第39-45页 |
| 5.1 基于低秩投影的隐藏特征学习 | 第39-40页 |
| 5.2 基于LSPP的视频跟踪算法 | 第40-42页 |
| 5.3 实验结果 | 第42-45页 |
| 结论 | 第45-47页 |
| 本文的主要工作及结论 | 第45页 |
| 本文进一步的工作 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 攻读硕士学位期间发表学术论文情况 | 第51-53页 |
| 致谢 | 第53-55页 |