首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于增量式低秩学习的视频目标跟踪

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

论文共55页,点击 下载论文
上一篇:结合姿态的人物图像分割
下一篇:基于不变量约束的人脸基准点提取算法研究